一种端到端的深度学习方法,用于重建SMS-PI加速肌肉骨MRI
Mahmoud Mostapha1, Gregor Koerzdoerfer2, Esther Raithel2
1Digital Technology and Innovation, Siemens Healthineers, Princeton, New Jersey, USA.
Medical physics
|December 4, 2025
概括
这项研究引入了一种先进的深度学习 (DL) 框架,将同时多切片 (SMS) 和并行成像 (PI) 结合起来,以实现更快的肌肉骨MRI扫描. 这种新的方法在8倍加速时实现了临床级图像质量,显著减少了扫描时间.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 深度学习 (DL) 可以将肌肉骨MRI加速高达6倍,但需要进一步提高速度和概括性.
- 提出了整合同时多切片 (SMS) 和并行成像 (PI) 的新方法,以增强基于DL的重建.
研究的目的:
- 开发一个先进的DL重建框架,结合SMS和PI用于肌肉骨MRI.
- 达到8倍及以上的加速,同时保持诊断图像质量,用于临床解释.
主要方法:
- 开发了一个端到端 (E2E) DL框架,用于重建通过SMS和PI加速获得的Turbo Spin Echo (TSE) MRI数据.
- 该框架集成了一个新的DL网络,用于联合切片规范化,并将SMS前模型嵌入DL架构中.
- 该模型在200,000多个MRI切片上接受了训练,跨越各种场强度 (1.5T-3T) 和获取设置.
主要成果:
- 根据PSNR和SSIM指标,E2E DL模型在8倍和12倍的加速度下表现优于以前的方法.
- 对前性获得的临床扫描进行的放射性评估证实,图像质量和异常检测与标准的低加速度采集相比较.
结论:
- 该研究提出了一种E2E DL方法,集成SMS采集的切片分离,推进最先进的重建.
- 临床级图像质量在8倍加速时实现,在受试者中减少了27%的MRI采集时间.
- 初步发现表明,进一步加速的可能性高达12倍,显示了基于DL的MRI的显著进展.
更多相关视频
11:25Simultaneous Scalp Electroencephalography EEG, Electromyography EMG, and Whole-body Segmental Inertial Recording for Multi-modal Neural Decoding
Published on: July 26, 2013
44.0K
11:29Real-time Video Projection in an MRI for Characterization of Neural Correlates Associated with Mirror Therapy for Phantom Limb Pain
Published on: April 20, 2019
10.3K
