一个基于LSTM-Attention的端到端框架,用于准稳定状态的CEST预测
Wei Yang1,2, Jisheng Zou2, Xuan Zhang2
1Great Bay University, Dongguan, China.
Frontiers in neuroscience
|January 22, 2024
概括
这项研究引入了一种深度学习模型,用于预测准稳态 (QUASS) 化学交换和转移 (CEST) MRI. 新的LSTM-Attention模型准确地预测了CEST效应,克服了长时间扫描的局限性.
科学领域:
- 磁共振成像 (MRI) 是一种磁共振成像技术.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 化学交换和转移 (CEST) MRI需要很长的扫描时间才能达到稳定状态,这可能导致低估CEST效应.
- 目前对和持续时间 (Ts) 和放松延迟 (Td) 的实验限制阻碍了准确的CEST测量.
研究的目的:
- 从非稳定状态数据开发一个深度学习模型来预测准稳定状态 (QUASS) CEST.
- 为了克服CEST-MRI实验中延长和时间的局限性.
主要方法:
- 一个多池的Bloch-McConnell方程被用来生成模拟的Z光谱用于网络训练.
- 为 QUASS CEST 预测开发了一种混合长短期内存 (LSTM) -注意力架构.
- 对比实验评估了LSTM-Attention与其他模型 (如MLP,RNN,GRU和BiLSTM) 相比.
主要成果:
- 拟议的LSTM-Attention模型在QUASS CEST预测中取得了卓越的性能.
- 预测准确度很高,R2 ≥0.9748,SSIM为0.9991,PSNR为49.6714,MSE为1.68×10−4.4的预测准确度很高.
- 该模型在各种频率偏移中成功预测了QUASS CEST.
结论:
- 该LSTM-Attention模型使高质量的QUASS CEST预测成为可能,大大改善了传统方法.
- 这种深度学习方法减轻了在CEST-MRI中扩展扫描时间的需要.
- 开发的模型为CEST测量提供了一种节省时间和准确的解决方案.
