4DFlowNet：基于深度学习与计算流体力学的超分辨率 4D 血流 MRI
图像与视频处理
2020-04-16 v1 计算机视觉与模式识别
医学物理
摘要
4D 血流磁共振成像（MRI）是一种新兴的成像技术，可在单次无创检查中以全体积覆盖获取时空三维血流速度。这使得对心脏及大血管的血流动力学参数进行定性与定量分析成为可能。提高图像分辨率将提供更佳精度，并有助于更好地评估血流，尤其对于异常血流患者。然而，这必须与增加的成像时间相权衡。深度学习在生成超分辨率图像方面近期的成功，显示出在医学图像中应用的前景。我们利用计算流体动力学模拟生成流体流动仿真，并将其表示为合成 4D 血流 MRI 数据。我们构建了训练数据集以模拟实际 4D 血流 MRI 数据及其对应的噪声分布。我们新颖的 4DFlowNet 网络在该合成 4D 血流数据上训练，能够生成无噪声、上采样因子为 2 的超分辨率 4D 血流相位图像。我们还在体模与正常志愿者的实际 4D 血流 MR 图像上测试了 4DFlowNet，结果显示与实测流速相当，在体模数据与正常志愿者数据中的绝对相对误差分别为 0.6% 至 5.8% 和 1.1% 至 3.8%。
引用
@article{arxiv.2004.07035,
title = {4DFlowNet: Super-Resolution 4D Flow MRI using Deep Learning and Computational Fluid Dynamics},
author = {Edward Ferdian and Avan Suinesiaputra and David Dubowitz and Debbie Zhao and Alan Wang and Brett Cowan and Alistair Young},
journal= {arXiv preprint arXiv:2004.07035},
year = {2020}
}
备注
accepted to Frontiers in Cardiovascular Medicine