偏差减少的神经网络用于定量MRI中的参数估计
Andrew Mao1,2,3, Sebastian Flassbeck1,2, Jakob Assländer1,2
1Bernard and Irene Schwartz Center for Biomedical Imaging, Department of Radiology, New York University Grossman School of Medicine, New York, New York.
ArXiv
|March 11, 2024
概括
本研究引入了一种用于定量核磁共振的新型神经网络 (NN) 训练方法. 新方法显著减少了偏差,并提高了MRI参数估计的准确性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 量化MRI是指数量化的MRI.
背景情况:
- 量化MRI参数估计对于医学诊断至关重要.
- 传统的方法可能是计算密集型,容易产生偏差.
- 神经网络 (NN) 提供了更快估计的潜力,但需要仔细的训练来确保准确性.
研究的目的:
- 开发基于NN的定量MRI参数估计器,其偏差最小.
- 为了达到接近理论克拉梅尔-拉奥边界的估计方差.
- 为了提高MRI参数映射的可靠性和效率.
主要方法:
- 概括了NN培训的平均平方误差损失函数.
- 在训练期间,包含了多个噪音实现的平均值.
- 在模拟和体内使用神经成像应用程序评估了NN性能.
主要成果:
- 拟议的NN策略显著减少了参数空间中的估计偏差.
- 在模拟中,在克拉梅尔-拉奥约束附近获得了估计方差.
- 与传统的体内估计器有很好的一致性,表现优于其他NN.
结论:
- 新的NN方法与标准的MSE训练的NN相比,大幅减少了偏差.
- 实现了与传统估计器可比或更高的准确性,并提高了计算效率.
- 这种方法提高了定量MRI参数映射的可靠性和效率.
