使用 3D 高分辨率卷积网络合成 MR 图像对比增强
图像与视频处理
2022-07-19 v3 计算机视觉与模式识别
摘要
\textit{目的：} 基于钆的对比剂（GBCAs）已广泛用于更好地可视化脑磁共振成像（MRI）中的疾病。然而，钆在脑与体内的沉积引发了关于 GBCA 使用的安全担忧。因此，开发能够在提供相似对比信息的同时减少或甚至消除 GBCA 暴露的新方法，将在临床上具有重要用途。\textit{方法：} 在本工作中，我们提出一种基于深度学习的方法，用于脑肿瘤患者的对比增强 T1 合成。设计了一个 3D 高分辨率全卷积网络（FCN），其在处理过程中保持高分辨率信息并并行聚合多尺度信息，以将对比前 MRI 序列映射到对比增强 MRI 序列。具体而言，利用三种对比前 MRI 序列（T1、T2 与表观扩散系数图（ADC））作为输入，并将对比后 T1 序列作为目标输出。为缓解正常组织与肿瘤区域之间的数据不平衡问题，我们引入局部损失以提升肿瘤区域的贡献，从而在肿瘤上获得更好的增强结果。\textit{结果：} 我们进行了广泛的定量与视觉评估，所提模型在脑区域达到 28.24dB 的 PSNR，在肿瘤区域达到 21.2dB。\textit{结论与意义：} 我们的结果表明，使用通过深度学习生成的合成对比图像替代 GBCA 具有潜力。代码见 \url{https://github.com/chenchao666/Contrast-enhanced-MRI-Synthesis
引用
@article{arxiv.2104.01592,
title = {Synthesizing MR Image Contrast Enhancement Using 3D High-resolution ConvNets},
author = {Chao Chen and Catalina Raymond and Bill Speier and Xinyu Jin and Timothy F. Cloughesy and Dieter Enzmann and Benjamin M. Ellingson and Corey W. Arnold},
journal= {arXiv preprint arXiv:2104.01592},
year = {2022}
}
备注
This paper is accpted by IEEE TBME, Code is available at \url{https://github.com/chenchao666/Contrast-enhanced-MRI-Synthesis}