斯皮内特-QSM:基于模型的深度学习与schatten p-norm规范化,以改进定量敏感性映射

科学领域:

• 医疗成像医学成像
• 计算神经科学是一种神经科学.
• 生物物理学的生物物理.

背景情况:

• 定量敏感度映射 (QSM) 通过MRI阶段数据估计了组织的磁性敏感度.
• 解决逆源效应问题对于准确的QSM重建至关重要.
• 现有的方法通常依赖于固定的规范,限制了适应性.

研究的目的:

• 开发一个有效的基于模型的深度学习框架来解决QSM反向问题.
• 引入一种新的深度学习方法,以提高QSM的准确性.
• 提高QSM重建模型的适应性.

主要方法:

• 为QSM提出了一个基于Schatten$$-norm-driven模型的深度学习框架.
• 整合了一个可学习的规范参数,用于数据适应.
• 在可训练的调节器上强制执行任何规范,与固定的l1/l2规范不同.

主要成果:

• 拟议的SpiNet-QSM方法与QSMnet和LPCNN进行了比较.
• 在77个成像卷上进行了重建,涉及各种采集方案和临床条件 (例如,出血,多发性硬化症).
• 该方法在定量指标方面表现出明显的优于最先进的方法.

结论:

• 斯皮网-QSM持续提高高频误差规范 (HFEN) 和正常化根平均平方误差 (NRMSE) 至少5%.
• 与其他方法相比,在有限的训练数据下实现了优异的QSM重建.
• 灵活的标准驱动方法为QSM提供了一个强大的解决方案.