利用卷积神经网络深度学习分离水脂磁共振成像信号
计算机视觉与模式识别
2017-11-03 v1 人工智能
机器学习
摘要
目的：提出一种使用卷积神经网络（ConvNet）和深度学习（DL）的磁共振（MR）成像水脂分离新方法。通过一系列患者研究证明了该方法在复数与幅度图像上的可行性，并分析了预测定量值的准确性。方法：对来自90次成像 session（正常、急性与慢性心肌梗死）的1200个梯度回波采集进行水脂分离，使用的是基于常规模型的方法，建模了R2*和失谐以及多峰脂肪谱。一个用于计算仅水、仅脂、R2*和失谐图像的U-Net卷积神经网络以900个梯度回波多回波和单回波复数及幅度输入数据训练；研究了相应算法并与常规扩展回波建模比较。结果：U-Net ConvNet易于训练，提供的水脂分离结果在视觉上与常规方法相当。慢性心肌梗死中的心肌脂肪沉积和急性心肌梗死中的心肌内出血在DL结果中均清晰显示。预测的R2*、失谐、水和脂肪信号强度与基于常规模型的水脂分离高度相关（R2>=0.97, p<0.001）。与常规方法相比，DL图像信噪比高14%（p<0.001）。结论：利用ConvNet的深度学习是一种可行的MR水脂分离成像方法，适用于复数、幅度和单回波图像数据。训练好的U-Net可高效用于MR水脂分离，提供与常规基于模型的方法相当的结果。
引用
@article{arxiv.1711.00107,
title = {Separation of Water and Fat Magnetic Resonance Imaging Signals Using Deep Learning with Convolutional Neural Networks},
author = {James W Goldfarb},
journal= {arXiv preprint arXiv:1711.00107},
year = {2017}
}