Build-A-FLAIR：基于物理信息深度学习的合成 T2-FLAIR 对比度生成
医学物理
2019-01-16 v1
摘要
目的：磁共振成像（MRI）检查包含多个具有不同对比度且信息冗余的序列。例如，T2-FLAIR 对比度基于组织 T2 衰减和水的存在，而这也存在于 T2 加权和扩散加权对比度中。通过以扩散加权和 T2 加权采集数据训练的深度学习模型，可以假设性地建模 T2-FLAIR 对比度。方法：在 15 名受试者中采集了扩散加权、T2 加权、T2-FLAIR 加权和 T1 加权脑图像。开发了一种卷积神经网络，从其他对比度生成 T2-FLAIR 图像。两个数据集被留出用于训练外的验证。结果：与 T2-FLAIR 对比度具有物理关系的输入对性能影响最为显著。最佳模型产生的结果与采集的 T2-FLAIR 图像相似，结构相似性指数为 0.909，并复现了训练中未包含的病理。与采集图像相比，合成图像在定性上表现出更低的噪声和更高的平滑度。结论：这表明在最优输入下，基于深度学习的对比度生成在创建合成 T2-FLAIR 图像方面表现良好。基于对比度物理基础对神经网络输入进行特征工程，会影响合成对比度图像的生成。需要进行更大规模的前瞻性临床研究。
引用
@article{arxiv.1901.04871,
title = {Build-A-FLAIR: Synthetic T2-FLAIR Contrast Generation through Physics Informed Deep Learning},
author = {Andrew S. Nencka and Andrew Klein and Kevin M. Koch and Sean D. McGarry and Peter S. LaViolette and Eric S. Paulson and Nikolai J. Mickevicius and L. Tugan Muftuler and Brad Swearingen and Michael A. McCrea},
journal= {arXiv preprint arXiv:1901.04871},
year = {2019}
}
备注
Submitted to Magnetic Resonance in Medicine for peer review on 15 January 2019