使用合成生成的3D数据与深度神经网络进行了改进的髓水分映射

科学领域:

• 医疗成像医学成像
• 计算神经科学是一种神经科学.
• 生物物理学的生物物理.

背景情况:

• 髓水分量 (MWF) 映射对于神经成像至关重要,但在采集时间,信号噪声比 (SNR) 和可重复性方面面临挑战.
• 目前的MWF估计技术需要显著改进,才能得到广泛的临床采用.

研究的目的:

• 引入一种新的生成模型,用于合成大规模3D数据集,用于定量MWF参数映射.
• 为了实现深度学习模型的训练,特别是卷积神经网络 (CNN),用于准确的MWF估计.

主要方法:

• 该模型将磁共振 (MR) 物理信号衰变模型与概率多元组件参数T2模型集成在一起.
• 基于组织细分的生成空间模型捕捉了合成数据中的空间变化.
• 该系统产生高质量的合成信号和参数,跨越一系列现实的值.

主要成果:

• 与现有方法相比,合成训练的CNN显示出更高的准确性,特别是在低SNR条件下.
• 在合成数据上实现了低于7%的正常化根平均平方误差 (nRMSE).
• 拟议的方法在测试-重试数据集上至少提高了变化系数 (CoV) 的4倍.

结论:

• 生成模型有效地为MWF映射合成现实的3D数据集.
• 在这些合成数据集上训练的CNN显著提高了MWF估计的准确性和可重复性.
• 这种方法有望克服目前的局限性,并促进MWF映射的临床使用.