Radiology：利用变分网络深度学习重建联合可变密度单次激发快速反转回波MRI
2019-02-24 shaosai MedSci原创
本研究旨在利用变分网络（VN）研发一种能够提高重建速度和高度采样不足可变密度单次激发快速反转回波成像质量的深度学习重建算法。
本研究旨在利用变分网络（VN）研发一种能够提高重建速度和高度采样不足可变密度单次激发快速反转回波成像质量的深度学习重建算法。
本研究纳入了157例患者利用3T磁共振仪行冠状位可变密度单次激发快速反转回波序列进行腹部成像，加速因子为3.25。基于130例患者并行采集和压缩感知（PICS）重建数据进行训练VN。剩余27例患者进行VN评价。由3名阅片者有关整体图像质量、信噪比、图像对比度、锐度和伪影进行图像评估，范围为1（无法诊断）-5（优）。利用Wilcoxon检验验证VN与PICS间无统计学差异。
结果为，VN改善了信噪比(P = .01)及锐度(P < .001)，而对图像对比度(P = .24)和伪影(P = .07)与PICS间无显着性差异。有关整体图像质量，VN要优于PICS(P = .02)。每部分PICS和VN平均重建时间分别为5.60 s ± 1.30、0.19 s± 0.04。
本研究表明，与传统平行采集和压缩感知重建（PICS）相比，变分网络（VN）能够加速可变密度单次激发快速旋转回波序列的重建，能够提高整体图像质量、信噪比和锐度。
原始出处：
Chen F， Taviani V， Malkiel I，et al.Variable-Density Single-Shot Fast Spin-Echo MRI with Deep Learning Reconstruction by Using Variational Networks.Radiology.DOI：10.1148/radiol.2018180445
本文系梅斯医学（MedSci）原创编译整理，转载需授权！
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
学习谢谢分享
90