Pérdida de probabilidad de Rician para la resonancia magnética cuantitativa con aprendizaje profundo auto-supervisado

Área de la Ciencia:

• Imágenes médicas
• Aprendizaje automático
• La biofísica

Sus antecedentes:

• La resonancia magnética cuantitativa permite una estimación robusta de los parámetros sin etiquetas de entrenamiento utilizando el aprendizaje profundo auto-supervisado.
• Los métodos existentes que utilizan la pérdida de error cuadrado medio (MSE) muestran un sesgo significativo en las bajas relaciones señal-ruido (SNR).
• La pérdida de MSE es incompatible con las señales de magnitud de MR, lo que puede causar un sesgo en la estimación.

Objetivo del estudio:

• Introducir una nueva pérdida de probabilidad de Rician (NLR) para el aprendizaje auto-supervisado en la resonancia magnética cuantitativa.
• Abordar el problema de sesgo en la estimación de parámetros causado por un SNR bajo.
• Mejorar la precisión y la robustez de la resonancia magnética cuantitativa.

Principales métodos:

• Desarrolló una aproximación numérica estable para la pérdida de probabilidad de Rician (NLR) negativo.
• Se comparó la pérdida de NLR con la pérdida de MSE tradicional utilizando el modelo de movimiento incoherente intravoxel (IVIM).
• Evaluación del rendimiento de la estimación de parámetros utilizando datos de resonancia magnética simulados y reales en varios SNR.

Principales resultados:

• La pérdida de NLR redujo significativamente el sesgo en las estimaciones del coeficiente de difusión IVIM con un SNR bajo.
• A baja SNR, la pérdida de NLR mejoró la precisión a costa de la precisión.
• El rendimiento convergió para las pérdidas de NLR y MSE en SNRs más altos, dando lugar a una mayor precisión y un error total más bajo.

Conclusiones:

• La pérdida de NLR mejora la precisión en la estimación cuantitativa de parámetros de resonancia magnética, especialmente en condiciones ruidosas.
• Este método ofrece una amplia aplicabilidad para mejorar el análisis de resonancia magnética a partir de datos de bajo SNR.
• La pérdida de NLR proporciona una alternativa más robusta a la pérdida de MSE para la resonancia magnética auto-supervisada.