使用合成数据实现更好的概括:通过多重重叠回声获取进行T₂映射的域调整框架

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 物理 物理学 物理

背景情况:

• 对于定量磁共振成像 (qMRI) 的深度学习通常需要广泛的现实训练数据,这些数据可能很少.
• 用于qMRI的基于物理的合成数据生成面临着域间隙,限制了现实世界的应用中的模型概括.
• 多重重叠回声分离成像 (MOLED) 技术允许快速的单次射击qMRI和横向放松时间 (T2) 量化.

研究的目的:

• 开发一种用于MOLED的T2映射方法,使用域调整来克服合成训练数据的局限性.
• 为了实现准确的T2量化,而不依赖于现实世界标记的训练样本.
• 为了降低与qMRI序列优化相关的研发成本.

主要方法:

• 在使用MOLED序列的T2映射中采用了域适应策略.
• 基于物理的模拟被用来生成合成数据,但核心创新在于将这些数据适应现实世界的分布.
• 拟议的方法利用了MOLED序列的快速T2量化能力.

主要成果:

• 域适应方法成功地提高了qMRI模型的概括性能.
• 精确的T2映射可以实现,而不需要现实世界的标记训练数据.
• 与以前的方法相比,实验结果显示MR解剖结构的恢复优越.

结论:

• 域调整是一种可行的策略,可以弥合 qMRI 深度学习中合成和现实数据之间的差距.
• 拟议的基于MOLED的T2映射方法为定量成像提供了高效和准确的解决方案.
• 这种方法通过减少数据采集和注释负担,提高了快速qMRI中的深度学习的实际适用性.