基于深度学习的术中 MRI 重建
图像与视频处理
2024-01-24 v1 人工智能
医学物理
摘要
目的：评估在切除性脑肿瘤手术期间，对前瞻加速的术中磁共振成像（intraoperative magnetic resonance imaging, iMRI）进行深度学习重建的质量。材料与方法：在脑外科手术期间，使用放置在切除区域周围的双表面线圈进行加速 iMRI。在 fastMRI 神经数据集上训练深度学习（Deep Learning, DL）模型，以模拟来自 iMRI 协议的数据。对 2021 年 11 月 1 日至 2023 年 1 月 6 日期间接受肿瘤切除手术并进行 iMRI 的 40 名患者的成像材料进行评估。对传统压缩感知（Compressed Sense, CS）方法与训练后的 DL 重建方法进行了比较分析。两名在职神经放射科医生和一名在职神经外科医生采用 1 至 5 的 Likert 量表（1=非诊断性，2=差，3=可接受，4=良好，5=优秀）对多种图像质量指标进行了盲法评估，并选出了偏好的重建方案。结果：对于读者 1、2 和 3，分别有 33/40、39/40 和 8/40 的案例中 DL 重建被强烈偏好或偏好于 CS 重建。三名读者中有两名始终对 DL 重建给予更高评分，对于读者 1、2 和 3，DL 重建的得分分别有 72%、72% 和 14% 的案例高于其相应的 CS 对照。尽管如此，DL 重建仍表现出一些缺陷，如条纹伪影和信号降低。结论：DL 有望实现术中 MRI 的高质量重建，与压缩感知相比，其感知空间分辨率、信噪比、诊断置信度、诊断显著性和空间分辨率相等或有所改善。
引用
@article{arxiv.2401.12771,
title = {Deep Learning-based Intraoperative MRI Reconstruction},
author = {Jon André Ottesen and Tryggve Storas and Svein Are Sirirud Vatnehol and Grethe Løvland and Einar O. Vik-Mo and Till Schellhorn and Karoline Skogen and Christopher Larsson and Atle Bjørnerud and Inge Rasmus Groote-Eindbaas and Matthan W. A. Caan},
journal= {arXiv preprint arXiv:2401.12771},
year = {2024}
}