核心概念
딥 러닝으로 금속 임플란트 근처의 다중 스펙트럼 MRI에서 가변 해상도 샘플링 데이터를 복원하면 스캔 시간을 단축하면서 이미지 품질을 유지할 수 있습니다.
统计
이 방법은 기존 MSI 스캔보다 약 40% 더 효율적입니다.
24개의 빈이 있는 일반적인 MSI 획득에서 이 방법은 12개의 빈에 대한 전체 k 공간 데이터와 나머지 12개의 빈에 대한 ACS 데이터를 획득합니다.
고관절 데이터 세트에서 SJ-DL 추론 이미지를 참조와 비교한 SSIM 값은 중앙값이 0.99이고 사분위수 범위(IQR)가 0.01입니다.
해당 데이터 세트에 대한 PSNR 값은 중앙값이 44.18dB이고 IQR이 3.75dB인 반면, CR-VR 재구성은 중앙값이 32.73dB이고 IQR이 1.93dB로 훨씬 낮은 PSNR(p < 0.001)을 나타냅니다.
무릎 데이터 세트에서 SJ-DL 재구성은 마찬가지로 높은 중앙값 SSIM 값 0.99를 생성했으며 IQR은 0.004로 훨씬 작았습니다.
이러한 재구성에 대한 PSNR 값은 중앙값이 46.30dB이고 IQR이 2.05dB로, PSNR 중앙값이 33.37이고 IQR이 1.19dB인 CR-VR 방법을 크게((p < 0.001) 능가합니다.
다중 관절 U-Net 모델은 고관절 및 무릎 재구성 모두에서 중앙값 SSIM 값 0.99를 유지했으며 IQR은 0.006으로 좁았습니다.
다중 관절 재구성에 대한 해당 PSNR 값도 마찬가지로 높았으며 중앙값은 46.48dB이고 IQR은 2.49dB였습니다.
결합된 CR-VR 재구성은 중앙값이 33.10dB이고 IQR이 1.86dB로 훨씬 낮은 PSNR(p < 0.001)을 나타냈습니다.
결합된 CR-VR 이미지에 대한 SSIM 비교에서도 중앙값 SSIM이 0.95이고 IQR이 0.02로 훨씬 낮았습니다(p < 0.001).
DL을 사용하여 재구성된 이미지가 CR-VR 이미지에 비해 가장자리 선명도가 훨씬 더 높음을 보여줍니다(p < 0.001).
SJ-DL 또는 MJ-DL 모델을 사용하여 재구성된 이미지의 가장자리 선명도는 참조 이미지의 가장자리 선명도와 비슷합니다((p > 0.05)(고관절 및 무릎의 경우 각각 p=0.22 및 p=0.59).
U-Net 딥 러닝 모델이 언더샘플링된 데이터에서 전체 해상도 스펙트럼 빈 이미지를 추정하여 이미지 품질 저하 없이 획득 시간을 약 37% 단축할 수 있는 잠재력을 강조합니다.