7T MRI Synthesization from 3T Acquisitions

监督深度学习技术可以用于从3T MRI输入生成人造的7T MRI。这种图像增强过程利用了超高场MRI的优势，以提高3T采集的信噪比和对比噪声比。本文介绍了多种基于自定义V-Net卷积神经网络变体的7T合成算法。我们证明，与现有基准模型相比，基于V-Net的模型在增强单个站点和多站点MRI数据集方面具有更优异的性能。当我们对8名轻度创伤性脑损伤（TBI）患者的3T-7T MRI对进行训练时，我们的模型实现了最先进的7T合成性能。与以前的工作相比，从我们的管道生成的人造7T图像还表现出对病理组织的更好增强效果。此外，我们还实现和测试了一种数据增强方案，以训练对输入分布变化具有鲁棒性的模型。这使得人造的7T模型能够适应多站点数据集中的内部扫描仪和扫描仪间的变异。在包括健康受试者和轻度TBI患者的两个机构的18对3T-7T MRI对组成的协调数据集上，我们的模型保持其性能，并且可以推广到低分辨率的3T MRI输入。我们的研究结果表明，基于V-Net的模型在MRI增强方面具有潜力，并提供了一种初步探索通过数据增强来提高人造7T模型的推广能力的方法。

论文旨在使用监督深度学习技术，将3T MRI转化为合成的7T MRI，以提高MRI图像的信噪比和对比度。同时，还试图解决如何在多个数据集中进行模型训练以提高模型的鲁棒性的问题。

使用自定义的V-Net卷积神经网络算法来实现3T MRI到7T MRI的合成，并通过数据增强来提高模型的鲁棒性。

论文通过对8名轻度创伤性脑损伤患者进行训练，展示了V-Net模型在单个站点和多个站点MRI数据集上的优异表现。同时，还实现并测试了一种数据增强方案，以适应多个数据集中的变化。论文还在两个机构的18个3T-7T MRI对的协调数据集上进行了测试，证明了该模型的性能和对低分辨率3T MRI输入的泛化能力。

最近的相关研究包括使用GAN生成MRI图像的研究，如：'Generative Adversarial Networks for MRI: A Deep Learning Approach'。还有一些使用深度学习技术来提高MRI图像质量的研究，如：'Deep Learning for Image Quality Enhancement in MRI'。