灰盒:一种混合算法,用于从低样本的DCE-MRI数据直接估计标记器动力学参数

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物物理学的生物物理.

背景情况:

• 动态对比增强 (DCE) MRI对于预测TK参数至关重要.
• 现有的深度学习和代方法在处理低样本的DCE-MRI数据方面存在局限性.
• 需要强大的算法,可以从低样本数据准确地估计TK参数.

研究的目的:

• 介绍Greybox,这是一个混合算法,结合了基于模型和深度学习 (DL) 的方法.
• 解决从低样本 DCE-MRI 数据直接估计 TK 参数的非线性反向问题.
• 开发一种对不同低采样率不变的算法.

主要方法:

• 灵感来自plug-and-play算法,Greybox使用基于UNET的DL进行TK参数估计.
• 与DL之前使用了一种代梯度基础的优化方案.
• 该方法在大脑,乳腺和前列腺DCE-MRI数据集上得到了验证,使用辐射黄金角度 (RGA) 下采样,具有不同的下采样速率 (8x,12x,20x).

主要成果:

• 与直接重建方法相比,Greybox表现出优越的性能.
• 该算法在估计的TK参数的峰值信号噪声比率 (PSNR) 中实现了高达3dB的改进.
• 统计测试证实了显著的性能提升.

结论:

• 灰盒混合算法为DCE-MRI重建提供了最先进的性能.
• 它是第一个将基于DL的priors集成到plug-and-play框架中的方法,以改进DCE-MRI分析.
• 灰盒有效地解决了DCE-MRI中的非线性反向问题,即使是低样本数据.