基于 CNN-Transformer 混合模型的高分辨率 3T 到 7T MRI 合成
医学物理
2023-11-28 v1
摘要
由扩散加权成像（DWI）导出的 7 特斯拉（7T）表观扩散系数（ADC）图相较 3 特斯拉（3T）ADC 图具有更优的图像质量与空间分辨率。然而，7T 磁共振成像（MRI）目前存在临床不可用、成本高及更易产生伪影等问题。为解决这些，我们提出一种混合 CNN-transformer 模型，从多模态 3T MRI 合成高分辨率 7T ADC 图。所提视觉 CNN-Transformer（VCT）由 Vision Transformer（ViT）块与卷积层组成，用于从 3T ADC 图与 3T T1 加权（T1w）MRI 生成高分辨率合成 7T ADC 图。ViT 块提供全局图像上下文，而卷积层高效捕捉精细细节。VCT 模型在公开的人类连接组计划青年成人数据集上验证，该集包含 3T T1w、3T DWI 与 7T DWI 脑部扫描。使用 Python 库中的扩散成像（Diffusion Imaging in the Python）从 DWI 扫描计算 ADC 图。共 171 例随机划分：130 训练、20 验证、21 测试。合成 ADC 图通过与真值体积比较评估，指标如下：峰值信噪比（PSNR）、结构相似性指数测度（SSIM）与均方误差（MSE）。结果：PSNR: 27.0+-0.9 dB，SSIM: 0.945+-0.010，MSE: 2.0+-0.4E-3。相较 3T MRI 及 ResViT 与 pix2pix 的预测结果，我们的预测图像展现出更优空间分辨率与对比度。这些高质量合成 7T MR 图像有益于疾病诊断与干预，尤其在 7T MRI 扫描仪不可用时。
引用
@article{arxiv.2311.15044,
title = {High-resolution 3T to 7T MRI Synthesis with a Hybrid CNN-Transformer Model},
author = {Zach Eidex and Jing Wang and Mojtaba Safari and Eric Elder and Jacob Wynne and Tonghe Wang and Hui-Kuo Shu and Hui Mao and Xiaofeng Yang},
journal= {arXiv preprint arXiv:2311.15044},
year = {2023}
}