view in publisher's site

Subsampled brain MRI reconstruction by generative adversarial neural networks

Highlights•A method for accelerating MRI by reconstruction of subsampled k-space data is presented.•Generative Adversarial neural networks are used for both estimating the missing k-space samples and refinement of the resulting image space data.•Validations using three different brain MRI datasets are presented including a diverse dataset of healthy subjects, scans of multiple sclerosis patients and dynamic contrast enhanced MRIs of stroke and brain tumor patients.•Promising reconstruction results are obtained for MR-feasible sampling patterns of up to five-fold acceleration of diverse brain MRIs.•Clinical usability of the reconstructed MRI is assessed by performing either parameter estimate or lesion/tissue segmentation and comparing the results to those obtained by using the original fully-sampled images.AbstractA main challenge in magnetic resonance imaging (MRI) is speeding up scan time. Beyond improving patient experience and reducing operational costs, faster scans are essential for time-sensitive imaging, such as fetal, cardiac, or functional MRI, where temporal resolution is important and target movement is unavoidable, yet must be reduced. Current MRI acquisition methods speed up scan time at the expense of lower spatial resolution and costlier hardware. We introduce a practical, software-only framework, based on deep learning, for accelerating MRI acquisition, while maintaining anatomically meaningful imaging. This is accomplished by MRI subsampling followed by estimating the missing k-space samples via generative adversarial neural networks. A generator-discriminator interplay enables the introduction of an adversarial cost in addition to fidelity and image-quality losses used for optimizing the reconstruction.Promising reconstruction results are obtained from feasible sampling patterns of up to a fivefold acceleration of diverse brain MRIs, from a large publicly available dataset of healthy adult scans as well as multimodal acquisitions of multiple sclerosis patients and dynamic contrast-enhanced MRI (DCE-MRI) sequences of stroke and tumor patients. Clinical usability of the reconstructed MRI scans is assessed by performing either lesion or healthy tissue segmentation and comparing the results to those obtained by using the original, fully sampled images. Reconstruction quality and usability of the DCE-MRI sequences is demonstrated by calculating the pharmacokinetic (PK) parameters. The proposed MRI reconstruction approach is shown to outperform state-of-the-art methods for all datasets tested in terms of the peak signal-to-noise ratio (PSNR), the structural similarity index (SSIM), as well as either the mean squared error (MSE) with respect to the PK parameters, calculated for the fully sampled DCE-MRI sequences, or the segmentation compatibility, measured in terms of Dice scores and Hausdorff distance. The code is available on GitHub.Graphical abstractDownload : Download high-res image (122KB)Download : Download full-size image

بازسازی MRI مغز نمونه‌برداری شده توسط شبکه‌های عصبی خصمانه

نقاط برجسته روشی برای تسریع MRI از طریق بازسازی داده‌های فضای k نمونه فرعی ارایه شده‌است. شبکه‌های عصبی کلی آدورساری هم برای تخمین نمونه‌های فضای k گم‌شده و هم برای پالایش داده‌های فضای تصویر حاصل مورد استفاده قرار می‌گیرند. ارزیابی با استفاده از سه مجموعه داده مختلف MRI مغزی شامل مجموعه داده‌های متنوع از افراد سالم، اسکن‌های بیماران مبتلا به مولتیپل اسکلروزیس و MRI های افزایش‌یافته با کنتراست پویا از بیماران مبتلا به سکته مغزی و تومور مغزی ارائه می‌شود. نتایج پیش‌بینی بازسازی برای الگوهای نمونه‌برداری امکان پذیر MR تا ۵ برابر شتاب MRI های مغزی متنوع به دست می‌آید. کاربرد بالینی MRI بازسازی‌شده با انجام تخمین پارامتر یا تقسیم‌بندی ضایعه / بافت و مقایسه نتایج با تصاویر بدست‌آمده با استفاده از نمونه‌های کاملا نمونه‌برداری شده ارزیابی می‌شود. چالش اصلی در تصویربرداری تشدید مغناطیسی (MRI)تسریع زمان اسکن است. علاوه بر بهبود تجربه بیمار و کاهش هزینه‌های عملیاتی، اسکن‌های سریع‌تر برای تصویربرداری حساس به زمان، مانند MRI جنینی، قلبی یا عملکردی، که در آن وضوح زمانی مهم است و حرکت هدف اجتناب‌ناپذیر است، ضروری هستند، اما باید کاهش یابند. روش‌های کنونی بدست آوردن MRI زمان اسکن را به قیمت کاهش قدرت تفکیک فضایی و سخت‌افزار کم‌هزینه سرعت می‌بخشد. ما یک چارچوب کاربردی تنها نرم‌افزاری را براساس یادگیری عمیق برای تسریع یادگیری MRI معرفی می‌کنیم، در حالی که تصویربرداری با معنی کالبدشناسی را حفظ می‌کنیم. این کار با نمونه‌گیری فرعی MRI و سپس برآورد نمونه‌های k - فضا از طریق شبکه‌های عصبی خصمانه انجام می‌شود. به منظور بهینه‌سازی بازسازی، نتایج بازسازی از الگوهای نمونه‌برداری تا حداکثر پنج برابر شتاب MRI های مغزی مختلف، از مجموعه داده بزرگ در دسترس عموم از اسکن‌های بزرگسالان سالم و همچنین کسب اطلاعات چند وجهی از بیماران مبتلا به مولتیپل اسکلروزیس و کنتراست پویا - MRI (DCE - MRI)و توالی بیماران مبتلا به سکته مغزی بدست می‌آید. قابلیت بالینی اسکن‌های بازسازی‌شده MRI از طریق بخش‌بندی ضایعه یا بافت سالم و مقایسه نتایج با تصاویر اصلی و نمونه‌گیری شده ارزیابی می‌شود. کیفیت بازسازی و قابلیت استفاده توالی‌های DCE - MRI با محاسبه پارامترهای فارماکوکینتیک (PK)نشان داده می‌شود. رویکرد بازسازی MRI پیشنهادی بهتر از روش‌های پیشرفته برای همه مجموعه داده‌های تست شده از نظر نسبت سیگنال به نویز (PSNR)، شاخص شباهت ساختاری (SSIM)، و همچنین میانگین مربع خطا (MSE)با توجه به پارامترهای PK محاسبه‌شده برای توالی‌های DCE - MRI کاملا نمونه‌گیری شده، یا تقسیم‌بندی، از نظر نمرات Dice و فاصله دوروف اندازه‌گیری شده‌است. این کد بر روی تصاویر گیتون دات گراپ دانلود: دانلود تصویر با ارتفاع بالا (۱۲۲ کیلوبایت)دانلود: دانلود تصویر با اندازه کامل
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Radiology Nuclear Medicine and imaging
  • ترجمه مقاله Radiology Nuclear Medicine and imaging
  • مقاله رادیولوژی و تصویربرداری تشعشعی هسته‌ای
  • ترجمه مقاله رادیولوژی و تصویربرداری تشعشعی هسته‌ای
  • مقاله Radiological and Ultrasound Technology
  • ترجمه مقاله Radiological and Ultrasound Technology
  • مقاله تکنولوژی تشعشعی و فراصوت
  • ترجمه مقاله تکنولوژی تشعشعی و فراصوت
  • مقاله Health Informatics
  • ترجمه مقاله Health Informatics
  • مقاله اطلاعات بهداشتی
  • ترجمه مقاله اطلاعات بهداشتی
  • مقاله Computer Vision and Pattern Recognition
  • ترجمه مقاله Computer Vision and Pattern Recognition
  • مقاله بینایی کامپیوتری و تشخیص الگو
  • ترجمه مقاله بینایی کامپیوتری و تشخیص الگو
  • مقاله Computer Graphics and Computer-Aided Design
  • ترجمه مقاله Computer Graphics and Computer-Aided Design
  • مقاله گرافیک کامپیوتر و طراحی به کمک کامپیوتر
  • ترجمه مقاله گرافیک کامپیوتر و طراحی به کمک کامپیوتر
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.