$ t_ {1 \ rho} $映射是一种有希望的定量MRI技术,用于对组织性质的非侵入性评估。基于学习的方法可以从减少数量的$ t_ {1 \ rho} $加权图像中映射$ t_ {1 \ rho} $,但需要大量的高质量培训数据。此外,现有方法不提供$ t_ {1 \ rho} $估计的置信度。为了解决这些问题,我们提出了一个自我监督的学习神经网络,该网络使用学习过程中的放松约束来学习$ t_ {1 \ rho} $映射。为$ t_ {1 \ rho} $量化网络建立了认知不确定性和态度不确定性,以提供$ t_ {1 \ rho} $映射的贝叶斯置信度估计。不确定性估计还可以使模型规范化,以防止其学习不完美的数据。我们对52例非酒精性脂肪肝病患者收集的$ T_ {1 \ rho} $数据进行了实验。结果表明,我们的方法优于$ t_ {1 \ rho} $量化肝脏的现有方法,使用少于两个$ t_ {1 \ rho} $加权图像。我们的不确定性估计提供了一种可行的方法,可以建模基于自我监督学习的$ t_ {1 \ rho} $估计的信心,这与肝脏中的现实$ t_ {1 \ rho} $成像是一致的。
translated by 谷歌翻译
目的:提出一种新的基于深度学习的方法,称为RG-NET(重建和生成网络),用于通过向下采样k空间高度加速的MR参数映射,并同时减少所获取的对比度。方法:所提出的框架包括重建模块和生成模块。在先前的帮助下,重建模块从所获取的少数下采样的k空间数据重建MR图像。然后,生成模块从重建的图像中综合剩余的多对比度图像,其中通过对完全采样标签的监督隐式模型被隐式地结合到图像生成中。在不同的加速率下对膝关节和大脑的映射数据进行评估RG-Net。 Cartilage和大脑的区域T1 \ R {HO}进行了分析,以获得RG-Net的性能。结果:RG-Net以高速加速度为17的高质量T1 \ R {Ho}地图。与仅借出k空间的竞争方法相比,我们的框架在T1 \ R {Ho}值中实现了更好的性能分析。我们的方法还提高了胶质瘤患者T1 \ R {Ho}的质量。结论:提出的RG-NET通过欠采样k空间采用新策略并同时减少快速先生参数映射的对比度,可以实现高加速率,同时保持良好的重建质量。我们的框架的生成模块也可以用作其他快速MR参数映射方法的插入模块。关键词:深度学习,卷积神经网络,快速先生参数映射
translated by 谷歌翻译
敏感性张量成像(STI)是一种新兴的磁共振成像技术,它以二阶张量模型来表征各向异性组织磁敏感性。 STI有可能为白质纤维途径的重建以及在MM分辨率下的大脑中的髓磷脂变化的检测提供信息,这对于理解健康和患病大脑的大脑结构和功能具有很大的价值。但是,STI在体内的应用受到了繁琐且耗时的采集要求,以测量易感性引起的MR相变为多个(通常超过六个)的头部方向。由于头圈的物理限制,头部旋转角的限制增强了这种复杂性。结果,STI尚未广泛应用于体内研究。在这项工作中,我们通过为STI的图像重建算法提出利用数据驱动的先验来解决这些问题。我们的方法称为DEEPSTI,通过深层神经网络隐式地了解了数据,该网络近似于STI的正常器函数的近端操作员。然后,使用学习的近端网络对偶极反转问题进行迭代解决。使用模拟和体内人类数据的实验结果表明,根据重建张量图,主要特征向量图和拖拉术结果,对最先进的算法的改进很大六个不同的方向。值得注意的是,我们的方法仅在人体内的一个方向上实现了有希望的重建结果,我们证明了该技术在估计多发性硬化症患者中估计病变易感性各向异性的潜在应用。
translated by 谷歌翻译
物理驱动的深度学习方法已成为计算磁共振成像(MRI)问题的强大工具,将重建性能推向新限制。本文概述了将物理信息纳入基于学习的MRI重建中的最新发展。我们考虑了用于计算MRI的线性和非线性正向模型的逆问题,并回顾了解决这些方法的经典方法。然后,我们专注于物理驱动的深度学习方法,涵盖了物理驱动的损失功能,插件方法,生成模型和展开的网络。我们重点介绍了特定于领域的挑战,例如神经网络的实现和复杂值的构建基块,以及具有线性和非线性正向模型的MRI转换应用。最后,我们讨论常见问题和开放挑战,并与物理驱动的学习与医学成像管道中的其他下游任务相结合时,与物理驱动的学习的重要性联系在一起。
translated by 谷歌翻译
Self-supervised image denoising techniques emerged as convenient methods that allow training denoising models without requiring ground-truth noise-free data. Existing methods usually optimize loss metrics that are calculated from multiple noisy realizations of similar images, e.g., from neighboring tomographic slices. However, those approaches fail to utilize the multiple contrasts that are routinely acquired in medical imaging modalities like MRI or dual-energy CT. In this work, we propose the new self-supervised training scheme Noise2Contrast that combines information from multiple measured image contrasts to train a denoising model. We stack denoising with domain-transfer operators to utilize the independent noise realizations of different image contrasts to derive a self-supervised loss. The trained denoising operator achieves convincing quantitative and qualitative results, outperforming state-of-the-art self-supervised methods by 4.7-11.0%/4.8-7.3% (PSNR/SSIM) on brain MRI data and by 43.6-50.5%/57.1-77.1% (PSNR/SSIM) on dual-energy CT X-ray microscopy data with respect to the noisy baseline. Our experiments on different real measured data sets indicate that Noise2Contrast training generalizes to other multi-contrast imaging modalities.
translated by 谷歌翻译
缩短采集时间和减少动作伪影是磁共振成像中最重要的两个问题。作为一个有前途的解决方案,已经研究了基于深度学习的高质量MR图像恢复,以产生从缩短采集时间获取的较低分辨率图像的更高分辨率和自由运动伪影图像,而不降低额外的获取时间或修改脉冲序列。然而,仍有许多问题仍然存在,以防止深度学习方法在临床环境中变得实用。具体而言,大多数先前的作品专注于网络模型,但忽略了各种下采样策略对采集时间的影响。此外,长推理时间和高GPU消耗也是瓶颈,以便在诊所部署大部分产品。此外,先验研究采用回顾性运动伪像产生随机运动,导致运动伪影的无法控制的严重程度。更重要的是,医生不确定生成的MR图像是否值得信赖,使诊断困难。为了克服所有这些问题,我们雇用了一个统一的2D深度学习神经网络,用于3D MRI超级分辨率和运动伪影,展示这种框架可以在3D MRI恢复任务中实现更好的性能与最艺术方法的其他状态,并且仍然存在GPU消耗和推理时间明显低,从而更易于部署。我们还基于加速度分析了几种下式采样策略,包括在平面内和穿过平面下采样的多种组合,并开发了一种可控和可量化的运动伪影生成方法。最后,计算并用于估计生成图像的准确性的像素 - 明智的不确定性,提供可靠诊断的附加信息。
translated by 谷歌翻译
深度展开是一种基于深度学习的图像重建方法,它弥合了基于模型和纯粹的基于深度学习的图像重建方法之间的差距。尽管深层展开的方法实现了成像问题的最新性能,并允许将观察模型纳入重建过程,但它们没有提供有关重建图像的任何不确定性信息,这严重限制了他们在实践中的使用,尤其是用于安全 - 关键成像应用。在本文中,我们提出了一个基于学习的图像重建框架,该框架将观察模型纳入重建任务中,并能够基于深层展开和贝叶斯神经网络来量化认知和核心不确定性。我们证明了所提出的框架在磁共振成像和计算机断层扫描重建问题上的不确定性表征能力。我们研究了拟议框架提供的认知和态度不确定性信息的特征,以激发未来的研究利用不确定性信息来开发更准确,健壮,可信赖,不确定性,基于学习的图像重建和成像问题的分析方法。我们表明,所提出的框架可以提供不确定性信息,同时与最新的深层展开方法实现可比的重建性能。
translated by 谷歌翻译
目的:加速径向采样的扩散加权自旋回波(RAD-DW-SE)采集方法,以生成高质量的表观扩散系数(ADC)地图。方法:开发了一种深度学习方法,以从用RAD-DW-SE方法获取的未采样的DWI数据生成准确的ADC映射重建。深度学习方法将卷积神经网络(CNN)与Vison变形金刚集成在一起,以生成从无效的DWI数据中生成高质量的ADC图,该数据由单指数ADC模型拟合项正常化。对147只小鼠的DWI数据进行了培训,并对36只小鼠的DWI数据进行了评估,其采样率为4倍和8倍。结果:消融研究和实验结果表明,所提出的深度学习模型可以从不足采样的DWI数据中生成高质量的ADC图,比在比较的替代深度学习方法中,其性能在不同级别的图像,肿瘤,肾脏和牙齿上进行了量化。肌肉。结论:具有集成CNN和变形金刚的深度学习方法提供了一种有效的手段,可以从使用RAD-DW-SE方法中获取的不足采样的DWI数据中准确计算ADC映射。
translated by 谷歌翻译
Estimation of the T2 distribution from multi-echo T2-Weighted MRI (T2W) data can provide insight into the microscopic content of tissue using macroscopic imaging. This information can be used as a biomarker for several pathologies, such as tumor characterization, osteoarthritis, and neurodegenerative diseases. Recently, deep neural network (DNN) based methods were proposed for T2 distribution estimation from MRI data. However, these methods are highly sensitive to distribution shifts such as variations in the echo-times (TE) used during acquisition. Therefore, DNN-based methods cannot be utilized in large-scale multi-institutional trials with heterogeneous acquisition protocols. We present P2T2, a new physically-primed DNN approach for T2 distribution estimation that is robust to different acquisition parameters while maintaining state-of-the-art estimation accuracy. Our P2T2 model encodes the forward model of the signal decay by taking as input the TE acquisition array, in addition to the MRI signal, and provides an estimate of the corresponding T2 distribution as its output. Our P2T2 model has improved the robustness against distribution shifts in the acquisition process by more than 50% compared to the previously proposed DNN model. When tested without any distribution shifts, our model achieved about the same accuracy. Finally, when applied to real human MRI data, our P2T2 model produced the most detailed Myelin-Water fraction maps compared to both the MIML model and classical approaches. Our proposed physically-primed approach improved the generalization capacity of DNN models for T2 distribution estimation and their robustness against distribution shifts compared to previous approaches without compromising the accuracy.
translated by 谷歌翻译
在过去的十年中,卷积神经网络(Convnets)主导了医学图像分析领域。然而,发现脉搏的性能仍然可以受到它们无法模拟图像中体素之间的远程空间关系的限制。最近提出了众多视力变压器来解决哀悼缺点,在许多医学成像应用中展示最先进的表演。变压器可以是用于图像配准的强烈候选者,因为它们的自我注意机制能够更精确地理解移动和固定图像之间的空间对应。在本文中,我们呈现透射帧,一个用于体积医学图像配准的混合变压器-Cromnet模型。我们还介绍了三种变速器的变形,具有两个散晶变体,确保了拓扑保存的变形和产生良好校准的登记不确定性估计的贝叶斯变体。使用来自两个应用的体积医学图像的各种现有的登记方法和变压器架构进行广泛验证所提出的模型:患者间脑MRI注册和幻影到CT注册。定性和定量结果表明,传输和其变体导致基线方法的实质性改进,展示了用于医学图像配准的变压器的有效性。
translated by 谷歌翻译
可解释性和鲁棒性必须在临床应用中整合加速磁共振成像(MRI)重建的机器学习方法。这样做会允许快速高质量的解剖和病理学成像。数据一致性(DC)对于多模态数据的泛化至关重要,以及检测病理学的鲁棒性。这项工作提出了独立复发推理机(CIRIM)的级联,通过展开优化来评估DC,通过梯度下降,并通过设计的术语明确地明确。我们对CIRIM与其他展开的优化方法进行广泛的比较,是端到端变分网络(E2EVN)和轮辋,以及UNET和压缩感测(CS)。评估是分两个阶段完成的。首先,评估关于多次训练的MRI模型的学习,即用{t_1} $ - 加权和平凡对比,以及$ {t_2} $ - 加权膝盖数据。其次,在通过3D Flair MRI数据中重建依赖多发性硬化(MS)患者的3D Flair MRI数据来测试鲁棒性。结果表明,CIRIM在隐式强制执行DC时表现最佳,而E2EVN需要明确制定的DC。 CIRIM在重建临床MS数据时显示出最高病变对比度分辨率。与CS相比,性能提高了大约11%,而重建时间是二十次减少。
translated by 谷歌翻译
Over the years, Machine Learning models have been successfully employed on neuroimaging data for accurately predicting brain age. Deviations from the healthy brain aging pattern are associated to the accelerated brain aging and brain abnormalities. Hence, efficient and accurate diagnosis techniques are required for eliciting accurate brain age estimations. Several contributions have been reported in the past for this purpose, resorting to different data-driven modeling methods. Recently, deep neural networks (also referred to as deep learning) have become prevalent in manifold neuroimaging studies, including brain age estimation. In this review, we offer a comprehensive analysis of the literature related to the adoption of deep learning for brain age estimation with neuroimaging data. We detail and analyze different deep learning architectures used for this application, pausing at research works published to date quantitatively exploring their application. We also examine different brain age estimation frameworks, comparatively exposing their advantages and weaknesses. Finally, the review concludes with an outlook towards future directions that should be followed by prospective studies. The ultimate goal of this paper is to establish a common and informed reference for newcomers and experienced researchers willing to approach brain age estimation by using deep learning models
translated by 谷歌翻译
最近关于其他方式的核化图像T1辅助MRI重建的研究表明,进一步加速MRI收购其他方式的潜力。大多数最先进的方法通过开发用于固定的欠采样模式的网络架构来实现改进,而不完全利用方式之间的互补信息。尽管可以简单地修改现有的下采样模式学习算法以允许完全采样的T1加权MR图像来辅助模式学习,但是可以实现重建任务的显着改进。为此,我们提出了一个迭代框架,优化了MRI获取的另一种方式的采样下采样模式,可以在不同的下抽样因子中补充完全采样的T1加权MR图像,同时共同优化T1辅助MRI重建模型。具体地,我们所提出的方法利用两种模式之间的潜在信息的差异来确定可以最大化T1加权MR图像的辅助功率在改善MRI重建时最大化的采样模式。与常用的下采样模式和最先进的方法相比,我们在公共数据集中展示了我们在公共数据集上的学习的下采样模式的卓越表现,可以联合优化重建网络和欠采样模式以8倍的取样因子。
translated by 谷歌翻译
组合多站点数据可以加强和揭示趋势,但是是由可以偏向数据的特定特定协变量的影响,因此任何下游分析都会受到任何可能的任务。 HOC后期多站点校正方法存在但具有强烈的假设,通常不会在现实世界中持有。算法应该以可以解释特定于站点的效果的方式设计,例如从序列参数选择中出现的那些,并且在泛型失败的情况下,应该能够通过明确的不确定性建模来识别这种失败。该工作正文展示了这种算法,这可以在分割任务的背景下对收购物理学变得强大,同时建模不确定性。我们展示我们的方法不仅概括为完全熔断数据集,保留了分割质量,但同时也会考虑特定于站点的序列选择,这也允许它作为统一工具执行。
translated by 谷歌翻译
Clinical diagnostic and treatment decisions rely upon the integration of patient-specific data with clinical reasoning. Cancer presents a unique context that influence treatment decisions, given its diverse forms of disease evolution. Biomedical imaging allows noninvasive assessment of disease based on visual evaluations leading to better clinical outcome prediction and therapeutic planning. Early methods of brain cancer characterization predominantly relied upon statistical modeling of neuroimaging data. Driven by the breakthroughs in computer vision, deep learning became the de facto standard in the domain of medical imaging. Integrated statistical and deep learning methods have recently emerged as a new direction in the automation of the medical practice unifying multi-disciplinary knowledge in medicine, statistics, and artificial intelligence. In this study, we critically review major statistical and deep learning models and their applications in brain imaging research with a focus on MRI-based brain tumor segmentation. The results do highlight that model-driven classical statistics and data-driven deep learning is a potent combination for developing automated systems in clinical oncology.
translated by 谷歌翻译
能够充分处理和组合来自不同地点的数据在神经影像中至关重要,但由于现场,序列和获取参数依赖性偏差,困难。因此,重要的是设计算法,这不仅是对不同对比度的图像的稳健,而且能够概括到未经调查的不确定度。在本文中,我们展示了物理信息,不确定性感知,分割网络的效果,该分割网络采用增强时间MR仿真和同质批量特征分层以实现采集不变性。我们表明所提出的方法还准确地推断出分布外序列样品,在这些方面提供良好的校准体积界限。我们展示了通过基于不确定性的体积验证支持的变化系数的显着改进。
translated by 谷歌翻译
由于组织和骨骼之间的相似性,在人解剖结构中广泛看到了全球相关性。由于近距离质子密度和T1/T2参数,这些相关性反映在磁共振成像(MRI)扫描中。此外,为了实现加速的MRI,k空间数据的采样不足,从而导致全球混叠伪像。卷积神经网络(CNN)模型被广泛用于加速MRI重建,但是由于卷积操作的固有位置,这些模型在捕获全球相关性方面受到限制。基于自发的变压器模型能够捕获图像特征之间的全局相关性,但是,变压器模型对MRI重建的当前贡献是微小的。现有的贡献主要提供CNN转换器混合解决方案,并且很少利用MRI的物理学。在本文中,我们提出了一种基于物理的独立(无卷积)变压器模型,标题为“多头级联SWIN变压器(MCSTRA),用于加速MRI重建。 MCSTRA将几种相互关联的MRI物理相关概念与变压器网络相结合:它通过移动的窗口自我发场机制利用了全局MR特征;它使用多头设置分别提取属于不同光谱组件的MR特征;它通过级联的网络在中间脱氧和K空间校正之间进行迭代,该网络具有K空间和中间损耗计算中的数据一致性;此外,我们提出了一种新型的位置嵌入生成机制,以使用对应于底面采样掩码的点扩散函数来指导自我发作。我们的模型在视觉上和定量上都大大优于最先进的MRI重建方法,同时描述了改善的分辨率和去除词法。
translated by 谷歌翻译
人类生理学中的各种结构遵循特异性形态,通常在非常细的尺度上表达复杂性。这种结构的例子是胸前气道,视网膜血管和肝血管。可以观察到可以观察到可以观察到可以观察到可以观察到空间排列的磁共振成像(MRI),计算机断层扫描(CT),光学相干断层扫描(OCT)等医学成像模式(MRI),计算机断层扫描(CT),可以观察到空间排列的大量2D和3D图像的集合。这些结构在医学成像中的分割非常重要,因为对结构的分析提供了对疾病诊断,治疗计划和预后的见解。放射科医生手动标记广泛的数据通常是耗时且容易出错的。结果,在过去的二十年中,自动化或半自动化的计算模型已成为医学成像的流行研究领域,迄今为止,许多计算模型已经开发出来。在这项调查中,我们旨在对当前公开可用的数据集,细分算法和评估指标进行全面审查。此外,讨论了当前的挑战和未来的研究方向。
translated by 谷歌翻译
扩散张量心脏磁共振(DT-CMR)使我们能够探测体内心肌内心肌细胞的微观结构排列,这是不可侵袭性的,这是其他成像方式不允许的。这种创新的技术可以彻底改变执行心脏临床诊断,风险分层,预后和治疗随访的能力。但是,DT-CMR目前效率低下,获得单个2D静态图像所需的六分钟以上。因此,DT-CMR目前仅限于研究,但在临床上不使用。我们建议减少生产DT-CMR数据集并随后将其降低所需的重复次数,从而减少通过线性因子的采集时间,同时保持可接受的图像质量。我们提出的基于生成的对抗网络,视觉变压器和合奏学习的方法比以前提出的方法表现出色,而且要好得多,从而使单一的呼吸息dt-CMR更接近现实。
translated by 谷歌翻译
晚期钆增强磁共振成像(LGE MRI)通常用于可视化和量化左心房(LA)疤痕。疤痕的位置和程度提供了心理生理学和心房颤动进展的重要信息(AF)。因此,LGE MRI的La Scar分段和量化可用于AF患者的计算机辅助诊断和治疗分层。由于手动描绘可能是耗时的,并且经过专家内和专家间变异性,因此非常需要自动化这种计算,这然而仍然仍然具有挑战性和研究。本文旨在为La腔,墙壁,瘢痕和消融差距分割和LGE MRI的定量提供系统审查,以及AF研究的相关文献。具体而言,我们首先总结AF相关的成像技术,特别是LGE MRI。然后,我们详细介绍了四个计算任务的方法,并总结了每个任务中应用的验证策略。最后,概述了未来可能的未来发展,简要调查了上述方法的潜在临床应用。审查表明,该主题的研究仍处于早期阶段。虽然已经提出了几种方法,但特别是对于LA分割,由于与图像采集的高度变化相关的性能问题和图像采集差异有关的性能问题,仍有很大的算法发展。
translated by 谷歌翻译