Improving Image Quality and Reducing Scan Time for Synthetic MRI of Breast by Using Deep Learning Reconstruction.
Improving Image Quality and Reducing Scan Time for Synthetic MRI of Breast by Using Deep Learning Reconstruction.
复制标题
DOI：
10.1155/2022/3125426
复制
发表时间：
2022
影响因子：
--
通讯作者：
Chen, Bing
中科院分区：
文献类型：
--
作者：
Li, Jian;Wu, Lin-Hua;Xu, Meng-Ying;Ren, Jia-Liang;Li, Zhihao;Liu, Jin-Rui;Wang, Ai Jun;Chen, Bing
研究一种深度学习重建算法，以减少乳房合成 MRI (SynMRI) 扫描的时间并提高图像质量。 2020年9月至2021年6月，共有192名健康女性志愿者（平均年龄：48.1岁）在3.0 T下接受了乳腺MR检查。对同一志愿者同时收集标准SynMRI和快速SynMRI扫描。采用生成对抗网络（GAN）的深度学习技术通过端到端训练生成高质量的快速 SynMRI 图像。使用峰值信噪比 (PSNR)、均方误差 (MSE) 和结构相似性指数测量 (SSIM) 来比较深度学习算法从快速 SynMRI 生成的图像的图像质量。 快速SynMRI采集时间是标准SynMRI扫描的一半，GAN模型生成的图像显示PSNR和SSIM得到改善，MSE降低。 结合GAN模型的深度学习算法在乳腺MAGiC MRI中的应用提高了图像质量并减少了扫描时间。
To investigate a deep learning reconstruction algorithm to reduce the time of synthetic MRI (SynMRI) scanning on the breast and improve the image quality. A total of 192 healthy female volunteers (mean age: 48.1 years) underwent the breast MR examination at 3.0 T from September 2020 to June 2021. Standard SynMRI and fast SynMRI scans were collected simultaneously on the same volunteer. Deep learning technology with a generative adversarial network (GAN) was used to generate high-quality fast SynMRI images by end-to-end training. Peak signal-to-noise ratio (PSNR), mean squared error (MSE), and structural similarity index measure (SSIM) were used to compare the image quality of generated images from fast SynMRI by deep learning algorithms. Fast SynMRI acquisition time is half of the standard SynMRI scan, and the generated images of the GAN model show that PSNR and SSIM are improved and MSE is reduced. The application of deep learning algorithms with GAN model in breast MAGiC MRI improves the image quality and reduces the scanning time.
登录
查看更多内容
影响因子：
19.7
作者：
Kim, Minjae;Kim, Ho Sung;Lebel, Marc R.
通讯作者：
Lebel, Marc R.
T2弛豫时间定量分析在乳腺良恶性病变鉴别中的作用
DOI：
10.1177/0300060517721071
发表时间：
2018-05
期刊：
The Journal of international medical research
影响因子：
--
作者：
Liu L;Yin B;Shek K;Geng D;Lu Y;Wen J;Kuai X;Peng W
通讯作者：
Peng W
影响因子：
3.5
作者：
Hagiwara, A.;Hori, M.;Aoki, S.
通讯作者：
Aoki, S.
影响因子：
3.5
作者：
Tanenbaum, L. N.;Tsiouris, A. J.;Field, A. S.
通讯作者：
Field, A. S.
影响因子：
10.6
作者：
Wang, Z;Bovik, AC;Simoncelli, EP
通讯作者：
Simoncelli, EP