Катедра по радиология, Университет на Уисконсин - Медисън, Мадисън, Уисконсин

увеличена

Кореспонденция

Фанг Лиу, Катедра по радиология, Университет на Уисконсин – Медисън, 1111 Highland Avenue, Медисън, WI 53705-22275.

Катедра по радиология, Университет на Уисконсин - Медисън, Мадисън, Уисконсин

Отделение по радиология, Югозападна болница, Чунцин, Китай

Катедра по радиология, Университет на Уисконсин - Медисън, Мадисън, Уисконсин

Катедра по медицинска физика, Център за рак на Мемориал Слоун Кетъринг, Ню Йорк, Ню Йорк

Катедра по радиология, Университет на Уисконсин - Медисън, Мадисън, Уисконсин

Кореспонденция

Фанг Лиу, Катедра по радиология, Университет на Уисконсин – Медисън, 1111 Highland Avenue, Медисън, WI 53705-22275.

Катедра по радиология, Университет на Уисконсин - Медисън, Мадисън, Уисконсин

Отделение по радиология, Югозападна болница, Чунцин, Китай

Катедра по радиология, Университет на Уисконсин - Медисън, Мадисън, Уисконсин

Катедра по медицинска физика, Център за рак на Мемориал Слоун Кетъринг, Ню Йорк, Ню Йорк

Информация за финансиране:

Национални здравни институти, грантове/награди: R01AR068373 и R01EB027087.

Резюме

Предназначение

Да се ​​разработи и оцени нова рамка за реконструкция, базирана на дълбоко учене, наречена SANTIS (Sampling ‐ Augmented Neural neTwork with Incoherent Structure) за ефективна реконструкция на MR изображение с подобрена устойчивост срещу несъответствие в модела на вземане на проби.

Методи

С комбинация от последователна състезателна мрежа на цикли на данни, картографиране на конволюционна невронна мрежа от край до край и прилагане на точността на данните за възстановяване на недискретизирани MR данни, SANTIS допълнително използва стратегия за обучение с разширена проба чрез значително променящи се модели на поддискретизиране по време на обучението, така че мрежата е способна да изучава различни псевдоними структури и по този начин да премахва по-ефективно и по-ефективно артефактите за недоемплиране. Ефективността на SANTIS беше демонстрирана за ускорено изобразяване на коляното и изображения на черния дроб, използвайки съответно декартова траектория и радиална траектория със златен ъгъл. Използвани са количествени показатели за оценка на неговото представяне спрямо различни референции. Възможността на SANTIS за реконструиране на динамични изображения с повишен контраст също беше демонстрирана с помощта на трансферно обучение.

Резултати

В сравнение с конвенционалната реконструкция, която използва разреденост на изображението, SANTIS постига постоянно подобрена производителност на реконструкцията (по-ниски грешки и по-голяма рязкост на изображението). В сравнение със стандартните методи, базирани на ученето, без увеличаване на извадката (напр. Обучение с фиксиран модел за по-малко вземане на проби), SANTIS осигурява сравнима производителност на реконструкция, но значително подобрена устойчивост срещу несъответствие на образците. SANTIS постигна и обнадеждаващи резултати за възстановяване на чернодробни изображения, получени в различни фази на контраст.

Заключение

Чрез значително вариране на моделите на недодискретизиране, стратегията за обучение с разширена проба в SANTIS може да премахне артефактите за недодискретизиране по-стабилно. Новата концепция, стояща зад SANTIS, може да бъде особено полезна за подобряване на стабилността на реконструкцията на образа, базирана на дълбоко обучение, срещу несъответствие между обучението и умозаключването, важна, но в момента по-малко изследвана тема.

Брой пъти цитирани според CrossRef: 12

  • Mariusz Oszust, Adam Piórkowski, Rafał Obuchowicz, Безреферентна оценка на качеството на изображението на изображения с магнитен резонанс с високоусилващо филтриране и локални характеристики, Magnetic Resonance in Medicine, 10.1002/mrm.28201, 84, 3, (1648-1660), (2020).

ФИГУРА S1 Илюстрация на остатъчните U-Net и PatchGAN, внедрени в SANTIS за цялостно картографиране на CNN и състезателно обучение. Структурата U-Net се състои от кодираща мрежа и декодерна мрежа с множество връзки за бърз достъп (напр. Конкатенация) между тях за подобряване на ефективността на картографиране. Съкращенията за слоевете CNN включват BN за нормализиране на партидата, ReLU за активиране на ректифицирана линейна единица, Conv за 2D конволюция и Deconv за 2D деконволюция. Параметрите за слоевете на конволюцията са обозначени на фигурата като размер на изображението @ броят на 2D филтрите

ФИГУРА S2 Еволюция на различни компоненти на загубите, включително дискриминаторна загуба (първата част от термина Lgan в уравнение 9), загубата на генератора (втората част на термина Lgan в уравнение 9) и загубата на пикселно изображение (терминът Lcyc в уравнение 9) при R = 3 и с размер на минибача 3 за набор от данни за коляното. Загубата на генератор се опитва да се конкурира със загубата на дискриминатор, която проверява колко добре мрежата на генератора може да заблуди мрежата на дискриминатора по време на състезателно обучение. Очевидно е, че пикселната загуба на изображение монотонно намалява и достига равновесно състояние след

160 епохи, показващи сближаване на обучението. Реконструираните изображения от набор от данни за валидиране също показват подобрение на качеството на изображението (с намаляване на nRMSE) през различните епохи на обучение. Наблюдава се постепенно намаляване на nRMSE от 0 до 160. След 160 епохи няма забележимо подобрение въз основа на качествено наблюдение и nRMSE, показващо сближаване на обучението

ФИГУРА S3 Съответните пълни FOV изображения на Фигура 7, сравняващи CNN-Fix и SANTIS, използващи MaskR1 и MaskR2 за извод. Червените стрелки показват остатъчни ивични артефакти в CS-PI и CNN-Fix-MaskR1

ФИГУРА S4 Представителни примери за изображения на коляното, реконструирани от CNN-Fix и SANTIS при R = 3 с равномерно по-малко вземане на проби. Еднородният модел на недоизбиране води до изглаждане на артефакти и замъгляване при реконструкцията с нулево пълнене. И CNN-Fix, и SANTIS успяха да премахнат псевдонимите артефакти. SANTIS постигна малко по-добро представяне с по-добре запазена острота (зелени стрелки) и текстура, сравнима с CNN ‑ Fix

ФИГУРА S5 Оценка на устойчивостта на реконструкцията на CNN ‑ Fix и SANTIS с еднакво недодискретизиране при R = 3. Въпреки че CNN ‑ Fix, обучен с помощта на MaskC1, може да реконструира подбрано изображение с MaskC1, той не успя да реконструира подбраното изображение с MaskC2, което доведе до забележими остатъчни артефакти като показани със зелени стрелки. SANTIS, от друга страна, успя да реконструира подбраното изображение с MaskC1 и MaskC2. Трябва да се отбележи, че MaskC1 и MaskC2 са създали различни псевдоними артефакти, както е подчертано от зелените стрелки в изображенията с нулево запълване

Моля, обърнете внимание: Издателят не носи отговорност за съдържанието или функционалността на която и да е поддържаща информация, предоставена от авторите. Всички заявки (различни от липсващо съдържание) трябва да бъдат насочени към съответния автор на статията.