Resumen

Con el fin de estudiar la influencia del mapeo cuantitativo de susceptibilidad magnética (QSM) en ellos. Se propone una red U-Net de atención 2,5D basada en entrada múltiple y salida múltiple, un método para segmentar las regiones RN, SN y STN en imágenes QSM de alta resolución, y el aprendizaje profundo realiza una segmentación precisa de los núcleos profundos en imágenes QSM cerebrales. Los resultados experimentales muestran datos primero corta cada capa de 0 100 datos de casos, basado en el centro de la imagen, de 384 × 288 al tamaño de 128 × 128. Combinación de imágenes: cada capa de la imagen en la dirección de las capas se combina con dos imágenes adyacentes en una imagen 2,5D, es decir, (It - m It; It i), donde It representa la imagen de la capa i. En este momento, el tamaño de la imagen cambia de 128 × 128 a 128 × 128 × 3, en el que 3 representa tres capas consecutivas de imágenes. La SNR de SWP I a STN es el doble que la de SWI. Los pequeños núcleos de materia gris profunda (RN, SN y STN) en imágenes QSM del cerebro y el páncreas con forma irregular y grandes diferencias individuales en imágenes de TC abdominal se pueden segmentar automáticamente.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:×, capa, cartografía cuantitativa de susceptibilidad magnética, núcleos pequeños de materia gris profunda, U de atención 2,5D, imágenes de TC abdominal, imágenes QSM cerebrales, grandes diferencias individuales, imágenes QSM de resolución, RN
• Keywords:×, layer, quantitative magnetic susceptibility mapping, small deep gray matter nuclei, 2.5D Attention U, abdominal CT images, brain QSM images, large individual differences, resolution QSM images, RN