数据效率高的贝叶斯学习用于辐射动态MR重建

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 心脏MRI是心血管评估的黄金标准,但由于运动和缓慢的获取,它面临着挑战.
• 深度学习 (DL) 对MRI重建有希望,但可以引入文物.
• 量化重建不确定性对于在复杂的MRI中识别DL产生的文物至关重要.

研究的目的:

• 通过使用基于物理的DL方法量化加速2D多线圈动态辐射MRI重建中的不确定性.
• 证明基于物理的DL在减少不确定性和提高图像质量方面优于无模型DL的优势.
• 为了有效地处理大规模的,高维的MRI重建问题.

主要方法:

• 扩展了基于物理的2D U-Net (XT-YT U-Net) 用于使用蒙特卡洛脱落和高斯负日志概率损失进行不确定性量化 (UQ).
• 训练并验证了XT-YT U-Net在健康志愿者的2D动态辐射MRI数据上,并对患者数据进行了测试.
• 通过使用校准图表进行UQ评估,比较了基于物理的和模型不可知的神经网络 (NN).

主要成果:

• 与模型无关的DL相比,基于物理的DL实现了更高的图像质量 (NRMSE,PSNR,SSIM) 和更低的不确定性.
• 通过校准图表验证,XT-YT U-Net显示了更好的UQ.
• 不确定性信息有效地区分了心脏MRI中的解剖结构和文物.

结论:

• 基于物理的NN (XT-YT U-Net) 成功量化了要求2D多线圈动态MRI成像的不确定性.
• 将采购模型集成到NN架构中改善了图像质量,并减少了重建不确定性.
• UQ为评估DL重建性能和可靠性提供了宝贵的见解.