换一批自监督深度学习的心脏磁共振图像配准算法
Self-Supervised Deep-Learning Cardiac Magnetic Resonance Image Registration Algorithm
摘要目的 通过使用合成图像的方法解决在配准过程中缺少金标准的问题,并应用深度学习算法进行心脏T1 定量图配准.方法 首先利用T1加权图像的先验信息合成无运动的参考图像;其次使用DeepIPMCNet卷积神经网络来学习和配准层内运动.另一个网络DeepTPMDNet用于检测和消除穿层运动.使用在自由呼吸条件下采集的STONE序列T1映射数据集进行训练、验证和测试,以验证本文方法的有效性.通过T1标准差和SD map标准差来评估性能.结果 在配准后,左心室和室间隔的Dice系数、T1标准差和SD map标准差均得到了改善(通过DeepIPMCNet,左心室的Dice系数从0.88提高到 0.90,室间隔的T1标准差从121.91 ms降低到86.99 ms,SD map标准差从46.49 ms降低到36.53 ms;通过DeepTPMCNet,左心室的Dice系数从0.74提高到0.93,室间隔的T1 标准差从192.02 ms降低到114.37 ms,SD map标准差从93.41 ms降低到50.53 ms),差异均有统计学意义(P<0.001).结论 本研究提出的深度学习方法可有效缓解心脏和呼吸运动对心脏T1 定量图的影响.
更多相关知识
关键词
心脏磁共振(CMR)T1定量图配准算法自监督深度学习卷积神经网络DeepIPMCNetDeepTPMDNetcardiac magnetic resonance(CMR)T1 quantitative mappingregistration algorithmself-supervised deep learningconvolutional neural networkDeepIPMCNetDeepTPMDNet
栏目名称
DOI
10.3969/j.issn.1674-1633.2024.11.005
发布时间
2024-11-22（万方平台首次上网日期，不代表论文的发表时间）
- 浏览9
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
