BriefGPT - AI 论文速递
·
从 k 空间直接进行心脏 MRI 的分类、回归和分割
💡
原文中文，约600字，阅读约需2分钟。
📝
内容提要
我们提出了一种新颖的磁共振成像（MRI）预处理和预测流程，利用复数值k-Space对MRI进行分类。通过使用公开数据集展示了k-Space相比于图像域中的幅度信息对前列腺癌可能性进行更好估计的优势。通过高欠采样率和简单的主成分分析进行线圈压缩，减少了重建所需的时间。实验结果表明，即使在欠采样因子为16的情况下，使用PCA线圈组合并考虑k-Space信息也能获得有意义的结果。这种方法可以在不进行时间密集型的ADC和重建计算的情况下工作，减少了后期处理的时间，提高了患者的舒适度，并实现接近实时的预测。
🎯
关键要点
-
提出了一种新颖的MRI预处理和预测流程，利用复数值k-Space进行分类。
-
使用公开数据集展示k-Space相比于图像域中的幅度信息对前列腺癌可能性估计的优势，AUROC为86.1%±1.8%。
-
通过高欠采样率和主成分分析（PCA）进行线圈压缩，减少重建所需时间，避免时间密集型的GRAPPA重建算法。
-
即使在欠采样因子为16的情况下，使用PCA线圈组合并考虑k-Space信息也能获得AUROC为71.4%±2.9%的有意义结果。
-
展示了保留相位和k-Space信息的可行性，获得一致的结果，减少后期处理时间，提高患者舒适度，实现接近实时的预测。
➡️
