在EPI中深度无监督校正易感性工件的对齐引导前向扭曲模型

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 神经成像是一种神经成像.

背景情况:

• 在回声平面成像 (EPI) 中,敏感性诱导的扭曲是磁共振成像 (MRI) 中的主要挑战.
• 传统的文物校正方法是计算密集型的,不适合临床使用.
• 深度学习为高效的EPI工件纠正提供了潜力.

研究的目的:

• 开发一种深度学习模型,以快速准确地纠正EPI易感性伪造.
• 为了应对艺术品纠正过程中主体运动的挑战.
• 为了提高EPI人工物纠正的临床可行性.

主要方法:

• 提出了一个以对齐为导向的前向扭曲网络 (agFD-Net),用于无监督的,以物理为导向的培训.
• 集成了一个预先训练的对齐网络 (AlignNet) 来处理主体运动.
• 在实验NIH数据集上评估agFD-Net,具有现实的运动水平.

主要成果:

• agFD-Net实现了快速和高准确度的易感性人工物校正.
• 该模型成功地计算了反相编码采集之间的对象运动.
• 与古典方法相比,在计算效率上演示了超过两倍的加速.

结论:

• agFD-Net 在 EPI 工件校正效率和准确性方面取得了重大进展.
• 该模型处理主体运动的能力使其在临床MRI应用中非常有前途.
• 这种深度学习方法克服了传统方法的局限性,使得实际临床使用成为可能.