SPINNED:基于模拟的物理信息的神经网络用于动态灵敏度对比度MRI perfusion数据的解卷
Muhammad Asaduddin1, Eung Yeop Kim2, Sung-Hong Park1
1Department of Bio and Brain Engineering, Korea Advanced Institute of Science and Technology, Daejeon, South Korea.
Magnetic resonance in medicine
|April 16, 2024
概括
一个新的基于模拟的物理信息的神经网络用于动态灵敏度对比度 (DSC) MRI (SPINNED) 的解卷提供比现有方法更准确和更强大的结果. 此外,SPINNED还为改善临床诊断提供更快的处理速度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经外科 神经外科
背景情况:
- 动态敏感性对比 (DSC) MRI对于评估大脑输液至关重要.
- 准确的解卷对于量化DSC-MRI参数至关重要.
- 现有的解卷方法在准确性和稳定性方面面临着挑战.
研究的目的:
- 引入基于模拟的物理信息的神经网络,用于DSC-MRI (SPINNED) 的解卷.
- 建立SPINNED作为一种强大的,准确的替代现有解卷技术.
- 为了提高DSC-MRI数据分析的可靠性.
主要方法:
- 使用模拟组织残留和动脉输入函数生成的合成DSC-MRI数据开发了SPINNED.
- 训练了SPINNED模型来学习DSC-MRI数据中的解卷关系.
- 使用模拟和真实患者数据对循环和沃尔特拉单数值分解进行了验证.
主要成果:
- 与传统方法相比,SPINNED在所有信号与噪声比率 (SNR) 水平上都表现出更高的准确性.
- 该方法在模拟和现实患者数据中表现出对噪声的强化稳定性.
- 与现有的解卷技术相比,SPINNED实现了明显更快的处理速度.
结论:
- SPINNED为DSC-MRI解卷提供了一个可行的替代方案,其性能优于目前的方法.
- 该方法消除了对独立基准真相测量的需求,简化了培训.
- 旋转提供更快的处理和更广泛的临床适用性,承诺更可靠和快速的诊断.
