基于深度学习的多参数MR图像生成弥漫性胶质瘤患者表观扩散系数图
图像与视频处理
2024-07-08 v2 计算机视觉与模式识别
摘要
目的：由扩散加权（DWI）MRI导出的表观扩散系数（ADC）图提供了关于组织中水分子的功能性测量。然而，DWI耗时且极易受到图像伪影的影响，导致ADC测量不准确。本研究旨在开发一种深度学习框架，从多参数MR图像中合成ADC图。方法：我们提出了多参数残差视觉Transformer模型（MPR-ViT），该模型利用了ViT层的长程上下文以及卷积算子的精度。整个网络中的残差块显著提高了模型的表示能力。将MPR-ViT模型应用于包含预处理ADC图的公开数据集中501例胶质瘤病例的T1w和T2-液体衰减反转恢复图像。选定的患者被分为训练集（N=400）、验证集（N=50）和测试集（N=51）。使用预处理后的ADC图作为真实标签，评估模型性能并与视觉卷积Transformer（VCT）和残差视觉Transformer（ResViT）模型进行比较。结果：使用T1w + T2-FLAIR MRI作为输入时的结果如下：MPR-ViT - PSNR：31.0 +/- 2.1，MSE：0.009 +/- 0.0005，SSIM：0.950 +/- 0.015。此外，消融研究显示了每个输入序列对性能的相对影响。定性和定量结果均表明，所提出的MR-ViT模型相对于真实标签数据表现良好。结论：我们表明可以使用MPR-VCT模型从结构MRI合成高质量的ADC图。我们的预测图像比ResViT和VCT的预测更符合真实标签体积。这些高质量的合成ADC图对于疾病诊断和干预特别有用，尤其是在ADC图存在伪影或不可用时。
引用
@article{arxiv.2407.02616,
title = {Deep Learning Based Apparent Diffusion Coefficient Map Generation from Multi-parametric MR Images for Patients with Diffuse Gliomas},
author = {Zach Eidex and Mojtaba Safari and Jacob Wynne and Richard L. J. Qiu and Tonghe Wang and David Viar Hernandez and Hui-Kuo Shu and Hui Mao and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2407.02616},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2311.15044