基于3T采集的7T MRI合成
图像与视频处理
2024-07-10 v2 计算机视觉与模式识别
摘要
监督深度学习技术可用于从3T MRI输入生成合成的7T MRI。这一图像增强过程利用了超高场MRI的优势，以提高3T采集的信噪比和对比噪声比。在本文中，我们引入了多种基于V-Net卷积神经网络定制变体的新型7T合成算法。我们证明，与现有的基准模型相比，基于V-Net的模型在增强单中心和中心MRI数据集方面均具有更优的性能。当在来自8名轻度创伤性脑损伤（TBI）受试者的3T-7T MRI配对上进行训练时，我们的模型实现了最先进的7T合成性能。与以往的工作相比，由我们的流程生成的合成7T图像也显示出对病理组织更优的增强效果。此外，我们实现并测试了一种数据增强方案，用于训练对输入分布变化具有鲁棒性的模型。这使得合成7T模型能够适应多中心数据集中的同机与异机变异性。在一个由来自两家机构的18对3T-7T MRI配对（包括健康受试者和轻度TBI患者）组成的协调数据集上，我们的模型保持了其性能，并且能够泛化到较低分辨率的3T MRI输入。我们的研究结果表明了基于V-Net的模型在MRI增强方面的潜力，并为通过数据增强提高合成7T模型的泛化能力提供了初步探索。
引用
@article{arxiv.2403.08979,
title = {7T MRI Synthesization from 3T Acquisitions},
author = {Qiming Cui and Duygu Tosun and Pratik Mukherjee and Reza Abbasi-Asl},
journal= {arXiv preprint arXiv:2403.08979},
year = {2024}
}
备注
13 pages including supplemental materials, accepted for presentation at MICCAI 2024