基于深度学习重建常规头部2D T1WI超分辨率图像质量

摘要：

目的 评价基于深度学习改良U-net(M U-net)模型的常规厚层2D T1WI超分辨率重建图像质量及其在脑形态学研究中的应用价值.方法 回顾性分析730例头部M RI,包含常规厚层2D T1WI及3D T1WI,按7:3比例将其分为训练集(n=500)和测试集(n=230).采用M U-net模型和传统插值算法对2D T1WI进行超分辨率重建;以3D T1WI为对照,计算并比较2种重建图像的峰值信噪比(PSNR)和结构相似度(SSIM)的差异.分别采用基于体素的形态学分析(VBM)和基于皮层的形态学分析(SBM)方法测量超分辨率重建图像及真实对照图像的相对灰质体积和皮层厚度,并以组内相关系数(ICC)比较测量结果的一致性.结果 相比插值重建图像,M U-net模型重建图像的PSNR(t=4.43,P<0.01)和SSIM(t=21.81,P<0.01)更高,M U-net模型重建图像与对照图像的相对灰质体积和皮层厚度的一致性均高于插值重建图像.对于M U-net重建图像,VBM的ICC优于SBM(t=13.00,P<0.01).VBM结果显示,不同脑区间,小脑的ICC最低(0.68±0.14),而大脑皮质区域、尤其额叶(0.93±0.04)及运动区(0.94±0.02)的ICC较高.结论 改良M U-net模型能有效提高头部2D T1WI超分辨率重建图像质量,有助于进行VBM定量分析.

关键词：脑、人工智能、磁共振成像、质量控制

所属期刊栏目：38

分类号：R651.1;R445.2(外科学各论)

资助基金：国家自然科学基金;国家自然科学基金;国家重点研发计划

在线出版日期：2022-03-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：326-331