一个基于物理的深度学习模型,用于MRI脑运动校正
Mojtaba Safari1, Shansong Wang1, Zach Eidex1
1Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, Georgia, USA.
Medical physics
|December 15, 2025
概括
一个新的基于物理的运动校正网络 (PI-MoCoNet) 有效地从脑MRI扫描中删除了运动器件. 这种先进的深度学习方法显著提高了图像质量和诊断可靠性,而不需要明确的运动参数估计.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经科学是一个神经科学.
背景情况:
- 磁共振成像 (MRI) 对于脑部成像至关重要,但由于扫描时间长,易受运动工件的影响.
- 这些文物会严重降低图像质量,影响诊断准确度,可能需要重复扫描.
研究的目的:
- 开发和评估PI-MoCoNet,这是一种新的基于物理的神经网络,用于在高分辨率脑MRI中进行强大的运动工件校正.
- 在没有明确的运动参数估计的情况下,利用空间和k空间信息来移除文物,提高诊断可靠性.
主要方法:
- PI-MoCoNet使用双网络框架:一个运动检测网络 (U-net架构) 和一个运动校正网络 (U-net与Swin变压器块).
- 校正网络使用L1重建损失,LPIPS感知损失和数据一致性损失来实现k空间保真.
- 模拟了运动工件,并在IXI和MR-ART数据集上对使用PSNR,SSIM和NMSE指标的基线模型进行了验证.
主要成果:
- 在两组数据中,PI-MoCoNet在所有文物级别的基线方法中表现明显优于基线方法.
- 在IXI数据集上,PI-MoCoNet实现了PSNR改进,从34.15dB提高到45.95dB (小文物),SSIM从0.87提高到1.00.
- 在MR-ART数据集中,PSNR从23.15dB增加到33.01dB (低人工物),SSIM从0.72增加到0.87.
结论:
- PI-MoCoNet提供了一个强大的,基于物理的解决方案,用于减轻脑MRI中的运动工件,提高图像质量和诊断可靠性.
- 该框架能够整合空间和k空间信息,使其具有临床适用性,提高了患者的舒适性,减少了重复扫描的需要.
