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.

脑;人工智能;磁共振成像;质量控制

刘高平;曲太平;许强;张其锐;李秀丽;张志强;卢光明

南京大学医学院附属金陵医院(东部战区总医院)放射诊断科,江苏南京 210002;深睿医疗人工智能研究院,北京 100080

中国医学影像技术

[1]刘高平;曲太平;许强;张其锐;李秀丽;张志强;卢光明-.基于深度学习重建常规头部2D T1WI超分辨率图像质量)[J].中国医学影像技术,2022(03):326-331

深度学习重建,2D,T1WI,图像质量,net,超分辨率重建,重建图像,形态学研究,RI,训练集,测试集,插值算法,峰值信噪比,PSNR,结构相似度,SSIM,基于体素的形态学分析,VBM,SBM,灰质体积,皮层厚度,ICC,比较测量,模型重建,脑区,小脑,大脑皮质,额叶,高头,磁共振成像

0.234387