用于快速扩散MRI的生成式AI：改进图像质量、可靠性与泛化性
图像与视频处理
2023-10-09 v2 计算机视觉与模式识别
摘要
扩散MRI是一种非侵入式活体生物医学成像方法，用于绘制组织微结构。其应用包括人脑结构连接成像和检测微结构神经变化。然而，获取高信噪比、高角分辨率与高空间分辨率的dMRI数据集需要极长的扫描时间，限制了其在许多重要临床场景中的使用，特别是对于儿童、老年人以及可能需要清醒镇静或全身麻醉的急性神经系统疾病患者。我们采用Swin UNEt Transformers模型，在增强的Human Connectome Project数据上训练并以配准的T1扫描为条件，对dMRI进行通用去噪。我们还通过正常成年志愿者的 artificially downsampled HCP数据定性展示了超分辨率。值得注意的是，Swin UNETR可通过单个示例扫描对域外数据集进行微调，正如我们在神经发育障碍儿童以及急性进展性创伤性脑损伤成人的dMRI中所展示的，每个队列均在不同地点使用不同型号扫描仪和不同成像协议扫描。我们在仅需90秒扫描时间的快速扩散张量成像的准确度和重测可靠性上超越了当前最先进的去噪方法。应用于dMRI组织微结构建模时，Swin UNETR去噪在细胞内体积分数和自由水分数测量的重测可靠性上相较最先进水平取得显著改进，并能去除重尾噪声，提高生物物理建模保真度。Swin UNeTR实现了具有前所未有的准确度和可靠性的快速扩散MRI，尤其适用于科学和临床应用中的生物组织探测。代码与模型公开于https://github.com/ucsfncl/dmri-swin。
引用
@article{arxiv.2303.05686,
title = {Generative AI for Rapid Diffusion MRI with Improved Image Quality, Reliability and Generalizability},
author = {Amir Sadikov and Xinlei Pan and Hannah Choi and Lanya T. Cai and Pratik Mukherjee},
journal= {arXiv preprint arXiv:2303.05686},
year = {2023}
}