将先验信息纳入深度学习模型,通过自适应卷积进行定量敏感度映射
Simon Graf1,2, Walter A Wohlgemuth1,2, Andreas Deistung1,2
1University Clinic and Polyclinic for Radiology, University Hospital Halle (Saale), Halle, Germany.
Frontiers in neuroscience
|March 26, 2024
概括
通过结合成像参数来改进定量敏感度映射 (QSM) 的深度学习. 适应性卷积增强了QSM在各种获取设置中的通用性,从而导致更好的组织特征.
科学领域:
- 医疗成像医学成像
- 神经成像是一种神经成像.
- 人工智能的人工智能
背景情况:
- 定量敏感性映射 (QSM) 对于使用MRI相位图像进行大脑组织表征至关重要.
- 目前用于QSM的深度学习模型往往忽视了各种获取参数 (如分辨率和定向) 的影响.
- 涵盖各种获取参数的有限培训数据阻碍了现有的QSM深度学习方法的通用性.
研究的目的:
- 开发一种新的深度学习方法,即自适应卷积,将以前的成像参数信息集成到QSM中.
- 提高QSM深度学习模型在不同获取参数上的通用性.
- 为了提高易感性地图计算的准确性和稳定性.
主要方法:
- 在3D U-Net架构中提出了自适应卷积方法,以了解获取参数和MRI相位图像之间的关系.
- 利用成像参数的先验信息,根据数据属性自适应地选择卷积重量.
- 雇员在合成数据上进行预培训,随后在临床大脑数据上进行转移学习.
主要成果:
- 适应性卷积3D U-Net在合成和实体数据上的不同采集参数中显示出显著的概括性.
- 拟议的方法表现优于缺乏自适应卷积或转移学习的标准模型.
- 实验证实了将侧面信息 (获取参数) 纳入模型性能和易感性地图准确性的积极影响.
结论:
- 适应性卷积有效地将成像参数信息集成到QSM的深度学习中,增强模型的概括性.
- 从合成数据转移到临床数据的学习显著改善了QSM计算.
- 开发的方法为各种临床环境中的定量敏感性映射提供了更强大和更适应的解决方案.
