Deep Learning-Based Parameter Mapping with Uncertainty Estimation for Fat Quantification using Accelerated Free-Breathing Radial MRI.
Deep Learning-Based Parameter Mapping with Uncertainty Estimation for Fat Quantification using Accelerated Free-Breathing Radial MRI.
复制标题
DOI：
10.1109/isbi48211.2021.9433938
复制
发表时间：
2021-04
期刊：
影响因子：
--
通讯作者：
Wu HH
中科院分区：
文献类型：
--
作者：
Shih SF;Kafali SG;Armstrong T;Zhong X;Calkins KL;Wu HH
深度学习已被应用于去除欠采样磁共振成像中的伪影，以及取代定量磁共振成像中耗时的信号拟合，但这些通常被视为独立的任务，没有充分利用共享的信息。这项工作提出了一个新的两阶段框架，它以协调的方式完成这两个任务，并估计像素方向的不确定性水平。加速自由呼吸放射状MRI肝脏脂肪定量的结果表明，该框架能够从欠采样的放射状数据中获得高质量的图像质量，高精度的肝脏脂肪定量，并检测噪声输入数据引起的不确定性。在自由呼吸肝脏脂肪定量中，所提出的框架将扫描时间提高3倍至1分钟，并减少信号拟合至100毫秒/切片的计算时间。
Deep learning has been applied to remove artifacts from undersampled MRI and to replace time-consuming signal fitting in quantitative MRI, but these have usually been treated as separate tasks, which does not fully exploit the shared information. This work proposes a new two-stage framework that completes these two tasks in a concerted approach and also estimates the pixel-wise uncertainty levels. Results from accelerated free-breathing radial MRI for liver fat quantification demonstrate that the proposed framework can achieve high image quality from undersampled radial data, high accuracy for liver fat quantification, and detect uncertainty caused by noisy input data. The proposed framework achieved 3-fold acceleration to <1 min scan time and reduced the computational time for signal fitting to <100 ms/slice in free-breathing liver fat quantification.
登录
查看更多内容
影响因子：
10.6
作者：
Kofler, Andreas;Dewey, Marc;Kolbitsch, Christoph
通讯作者：
Kolbitsch, Christoph
影响因子：
3.3
作者：
Hernando, Diego;Kellman, P.;Haldar, J. P.;Liang, Z-P.
通讯作者：
Liang, Z-P.
影响因子：
3.3
作者：
Armstrong, Tess;Dregely, Isabel;Wu, Holden H.
通讯作者：
Wu, Holden H.
影响因子：
3.3
作者：
Zhong, Xiaodong;Armstrong, Tess;Wu, Holden H.
通讯作者：
Wu, Holden H.
影响因子：
3.3
作者：
Han, Yoseob;Yoo, Jaejun;Ye, Jong Chul
通讯作者：
Ye, Jong Chul