티스토리 뷰
관찰된 저해상도 이미지에서 고해상도 이미지 또는 이미지 시퀀스를 재구성하는 이미지 초 해상도는 딥 러닝 방법의 흥미로운 응용 프로그램입니다. MRI의 초 고해상도는 거의 10 년 동안 사용되어 왔으며 해상도, SNR 및 획득 시간 간의 균형을 개선하고 3T MRI에서 7T와 유사한 MR 이미지를 생성하는 데 사용할 수 있습니다. 스캐너, 저해상도 T 1 가중치 이미지 세트로부터 초 해상 T 1 맵을 얻습니다. 최근에는 CNN을 사용하여 초 고해상도 단일 (참조 정보 없음) 및 다중 대비 (다른 양식의 고해상도 이미지를 참조로 적용) 뇌 MR 이미지 생성과 같은 딥 러닝 접근법이 도입되었습니다 다중 스케일 융합 장치로 적층 된 CNN으로 초 해상 뇌 MRI 구축 초 고해상도 근골격 MRI ( "DeepResolve"). DeepResolve에서 골관절염 이니셔티브에 포함된 124 명의 환자의 무릎 이미지 (DESS)에 있는 얇은 (0.7mm ) 슬라이스가 훈련에 사용되었고 17 명의 환자가 테스트에 사용되었으며 3D (344 344 160) 볼륨 당 추론 시간 이 10 초였습니다. 결과 이미지는 양적 (MSE, PSNR 및 지각 창 기반 구조적 유사성 SSIM 32 지수)과 전문 방사선 전문의에 의해 정 성적으로 평가되었습니다. 이미지 합성 MRI에서 이미지 합성은 전통적으로 동일한 이미징 세션에서 수행된 MR 수집 모음에서 새로운 매개 변수 이미지 또는 새로운 조직 대비를 도출하는 방법으로 간주되어 왔습니다. 즉, 주어진 입력 이미지 세트에 적용되는 강도 변환으로 새로운 이미지를 생성합니다. 특정 조직 대비 이미지 MRI 합성의 또 다른 방법은 정량적 이미징 및 물리적 팬텀의 개발 및 사용, 특정 재료 특성을 가진 이미징 보정 / 표준 테스트 개체와 관련이 있습니다. 이는 MRI 스캐너의 성능을 평가하거나 구조적 뇌 이미징 팬텀, DCE-MRI 관류 팬텀, 확산과 같은 애플리케이션 별 팬텀을 사용하여 이미징 바이오 마커를 안정적으로 평가하기 위해 수행됩니다. phantom, flow phantom, breast phantom 또는 proton-density fat fraction phantom. 인 실리코 특정 기본 특성 MR 화상 모델링, 즉 실시간 건강 경우와 (심장) 영상의 큰 데이터베이스 또는 모델 - 기반 생성 이 노력의 일부이다. 이러한 맥락에서 딥 러닝 접근 방식은 연구와 비용이 많이 드는 훈련 데이터의 양을 가속화했습니다. 지난 몇 년 동안 딥 러닝 기술, 특히 생성 적 적대 네트워크 (GAN, Goodfellow 등이 2014 년에 도입 한 GAN ), 예를 들어. 이들은 또한 생물학적 이미지 합성 및 텍스트-이미지 합성에 사용될 수 있습니다. 33 최근에, 보스턴에 있는 임상 데이터 과학을 위한 NVIDIA, MGH BWH 센터, 로체스터에 있는 Mayo 클리닉의 연구원 그룹 pix2 pix에 기초 GAN 훈련하여 뇌종양 합성 이상 MRI 영상을 생성하는 영리한 접근 설계된 34 개의 뇌 MRI (ADNI 및 BRATS'15 도전 공개 데이터 세트 이상 또한 사용 뇌경색 병변 분할 ISLES'2018을 도전). 이 접근법은 의료 영상 데이터 세트가 종종 불균형하고 병리학 적 발견이 거의 없어 딥 러닝 모델의 훈련을 제한하기 때문에 매우 흥미 롭습니다. 이미지 합성을 위한 이러한 생성 모델 은 데이터 증대의 한 형태와 익명화 역할을 합니다. 수단. 저자는 실제 환자 데이터가 아닌 합성 데이터에 대해 교육을 받았을 때 비슷한 종양 분할 결과를 얻었습니다. 거칠고 미세한 GAN을 사용하는 뇌종양 분할에 대한 관련 접근법은 Mok and Chung에 의해 취해졌습니다. Guibas et al. 는 한 쌍의 GAN에서 합성 의료 이미지를 생성하고 망막 안저 이미지를 처리하기 위해 2 단계 파이프 라인을 사용했으며 합성 의료 이미지를 위한 온라인 저장소 (SynthMed)를 제공했습니다. Kitchen and Seah는 GAN을 사용하여 SPIE-AAPM-NCI ProstateX Challenge 2016 35 훈련 데이터와 유사한 T2, ADC, K trans에서 현실적인 전립선 병변을 합성했습니다. 다른 응용은 GAN을 사용한 T1 강조 뇌 MRI의 감독되지 않은 합성입니다 상황 인식 GAN을 사용한 이미지 합성 CNN을 사용한 뇌의 PET / MR 영상에서 PET 감쇠 보정을 위한 환자 별 전송 영상 합성 Dixon-VIBE Deep Learning (DIVIDE) 네트워크를 사용한 골반 PET / MR 감쇠 보정을 위한 의사 CT 합성 조직 인식을 위한 GAN을 사용한 이미지 합성 개선된 간 병변 분류를 위해 GAN을 사용한 합성 데이터 증가 그리고 짝을 이루지 않은 데이터를 사용하여 심층 MR에서 CT로 합성 이미지 등록 이미지 등록 36 은 더 많은 보완 및 다중 매개 변수 조직 정보가 더 짧은 획득 시간 내에 공간과 시간에서, 더 높은 공간 (및 시간) 해상도 (종종 세로 방향으로, 그리고 환자 그룹 전반에 걸쳐 수집됨)에서 수집되기 때문에 MR 이미지 처리 및 분석에서 점점 더 중요한 분야입니다. 코호트 또는 아틀라스. 전통적으로 이미지 등록 작업을 이분법으로 나누었습니다 : 내부 대 상호 모달, 내부 대 개체 간, 고정 대 변형 가능, 기하학 기반 대 강도 기반, 전향 대 회고 이미지 정합. 수학적으로 등록은 기하학 (공간 변환), 분석 (유사성 측정), 최적화 전략 및 수치 체계의 까다로운 혼합입니다.. 전향 적 움직임 보정에서 실시간 MR 물리학도 그림의 중요한 부분입니다. 다양한 기관 및 응용에 대해 광범위한 방법 론적 접근이 개발되고 테스트되었습니다. "이전 세대" 인공 신경망 포함 최근에는 정확도와 속도를 향상하기 위해 이미지 등록에 딥 러닝 방법이 적용되었습니다 (예 : 의 섹션 3.4 ). 예 : 변형 가능한 이미지 등록 모델-이미지 등록 PET에 대한 MRI 기반 감쇠 보정 PET / MRI 선량 계산 2D CT / MR 이미지의 변형 가능한 등록을 위한 감독되지 않은 종단 간 학습 Balakrishnan 등의 변형 가능한 쌍별 3D 의료 이미지 등록을 위한 비지도 학습 모델. 38; 비지도 아핀 및 변형 가능한 이미지 등록을 위한 딥 러닝 프레임 워크입니다.