使用深度CNN-Transformer模型从小鼠加速径向k空间扩散加权MRI中学习表观扩散系数图
图像与视频处理
2023-08-15 v2 计算机视觉与模式识别
摘要
目的：加速径向采样扩散加权自旋回波（Rad-DW-SE）采集方法以生成高质量表观扩散系数（ADC）图。方法：开发了一种深度学习方法，从采用Rad-DW-SE方法获取的加速DWI数据生成准确的ADC图。该深度学习方法将卷积神经网络（CNNs）与视觉transformers相集成，从加速DWI数据生成高质量ADC图，并由单指数ADC模型拟合项正则化。模型在147只小鼠的DWI数据上训练，在36只小鼠的DWI数据上评估，加速因子相对于原始采集参数为4x和8x。我们的代码已公开于GitHub：https://github.com/ymli39/DeepADC-Net-Learning-Apparent-Diffusion-Coefficient-Maps，数据集可下载于https://pennpancreaticcancerimagingresource.github.io/data.html。结果：消融研究和实验结果表明，所提深度学习模型从加速DWI数据生成的ADC图质量高于对比的其他深度学习方法，无论是在整幅图像还是在感兴趣区域（包括肿瘤、肾脏和肌肉）中量化其性能时均如此。结论：集成CNNs与transformers的深度学习方法为从Rad-DW-SE方法获取的加速DWI数据准确计算ADC图提供了有效手段。
引用
@article{arxiv.2207.02399,
title = {Learning Apparent Diffusion Coefficient Maps from Accelerated Radial k-Space Diffusion-Weighted MRI in Mice using a Deep CNN-Transformer Model},
author = {Yuemeng Li and Miguel Romanello Joaquim and Stephen Pickup and Hee Kwon Song and Rong Zhou and Yong Fan},
journal= {arXiv preprint arXiv:2207.02399},
year = {2023}
}
备注
Accepted by Magnetic Resonance in Medicine