使用卡尔曼波器与神经网络相结合,提高Intravoxel不连贯运动重建的准确性:一个模拟研究
Sam Sharifzadeh Javidi1,2, Reza Ahadi3, Hamidreza Saligheh Rad1,2
1Department of Physics and Medical Engineering, Medicine School, Tehran University of Medical Sciences, Tehran, Iran.
Journal of biomedical physics & engineering
|April 17, 2024
概括
这项研究引入了一种使用卡尔曼波器和人工神经网络的新方法,以提高intravoxel不连贯运动 (IVIM) 成像参数的准确性. 改进的技术提供了更可靠的扩散和 perfusion 地图,克服了噪声限制.
科学领域:
- 医疗成像医学成像
- 生物物理学的生物物理.
- 计算生物学 计算生物学
背景情况:
- 内素不连贯运动 (IVIM) 模型对于扩散加权成像,提取 perfusion 和扩散系数地图至关重要.
- 传统IVIM模型的一个主要局限性是它对噪声的敏感性,导致参数估计不准确.
- 准确的IVIM参数映射对于各种临床应用,包括癌症诊断和治疗监测至关重要.
研究的目的:
- 为了提高来自IVIM模型的输出参数的准确性.
- 在IVIM分析中开发一种可靠的噪音和工件减少方法.
- 为了提高扩散系数 (D) 和 perfusion 参数 (f,D*) 估计的可靠性.
主要方法:
- 采用了模拟和分析方法,整合了对噪声和文物排斥的卡尔曼过.
- 卡尔曼波器被用来净化扩散系数的混因素,如血液运动和噪声.
- 随后,人工神经网络 (ANN) 实现了精确估计 perfusion 参数.
主要成果:
- 与传统技术相比,拟议的方法的准确性明显更高,估计的参数与实际值非常接近.
- 测试结果证实,拟议方法的参数与常规方法不同,与真实值没有实质性差异.
- 使用ANN显著提高了分量体积 (f) 和伪扩散系数 (D*) 的准确性,偏差分别降低了4%和12%.
结论:
- 开发的方法在IVIM参数估计中明显优于传统方法.
- 这种技术为生成可重复和有效的扩散 (D),分数体积 (f) 和伪扩散 (D*) 地图提供了一个有希望的解决方案.
- 拟议的卡尔曼波器和ANN集成增强了IVIM成像的临床实用性.
