训练数据条件对动脉旋转标记参数估计的影响,使用基于模拟的监督深度神经网络
Shota Ishida1, Makoto Isozaki2, Yasuhiro Fujiwara3
1From the Department of Radiological Technology, Faculty of medical sciences, Kyoto College of Medical Science, Kyoto.
Journal of computer assisted tomography
|December 27, 2023
概括
优化训练数据的地面真实范围可显著提高深度神经网络 (DNN) 在估计脑血流 (CBF) 和动脉传输时间 (ATT) 的准确性. 适当的设置可确保从动脉旋转标记信号中获得准确和可靠的估计.
科学领域:
- 神经成像是一种神经成像.
- 医学物理 医学物理
- 人工智能的人工智能
背景情况:
- 深度神经网络 (DNN) 显示出从动脉旋转标记 (ASL) 信号中估计大脑血流 (CBF) 和动脉传输时间 (ATT) 的前景.
- 这些DNN的准确性在很大程度上取决于训练数据集的特点,特别是使用的地面真相 (GT) 范围.
研究的目的:
- 调查CBF和ATT的地面真相 (GT) 范围对基于模拟的监督DNN的性能的影响.
- 确定训练数据的最佳GT范围,以提高ASL信号分析的准确性和可靠性.
主要方法:
- 经过训练的DNN使用来自ASL信号模拟的36个不同的训练数据模式.
- 使用模拟测试数据 (1,000,000分) 和来自健康志愿者和莫亚莫亚患者的体内数据评估了DNN性能.
- 使用NMAE,NRMSE和CV Net等指标评估准确性,精度和噪声免疫力.
主要成果:
- 达到了最高的DNN性能,GT范围为CBF的0-120mL/100g/min,ATT的0-4500ms.
- 虽然预测的CBF和ATT值随着GT范围的变化而变化,但适当的设置保持了DNN准确性,精度和噪声免疫力.
- 这些发现在模拟和体内研究中都是一致的.
结论:
- 对于训练数据的GT范围的选择对基于模拟的监督DNN用于ASL分析的性能产生了关键影响.
- 适当的GT范围设置对于实现CBF和ATT的准确和精确估计至关重要,而不适当的设置可能会降低性能.
