一种特定于学科的无监督深度学习方法,用于使用隐式神经表示的定量敏感度映射
Ming Zhang1, Ruimin Feng1, Zhenghao Li1
1School of Biomedical Engineering, Shanghai Jiao Tong University, Shanghai, China.
Medical image analysis
|April 24, 2024
概括
本研究介绍了INR-QSM,这是一种用于定量敏感度映射 (QSM) 的无监督深度学习方法,可以克服数据限制并提高准确性,而不需要配对训练数据.
科学领域:
- 医疗成像医学成像
- 磁共振成像 (MRI) 是一种磁共振成像技术.
- 计算神经科学是一种神经科学.
背景情况:
- 定量敏感度映射 (QSM) 从MRI相位信号中重建组织磁性敏感度.
- 对于QSM的深度学习 (DL) 方法面临着数据可用性和概括性的挑战.
- 现有的DL方法可能会忽略非局部组织相位效应,影响重建的准确性.
研究的目的:
- 开发一种不受监督的,针对特定学科的DL方法来进行QSM重建.
- 解决QSM中现有的DL方法的局限性,包括数据依赖性和非局部效应.
- 提高QSM的准确性和通用性.
主要方法:
- 提出INR-QSM,一种使用隐式神经表示 (INR) 的无监督DL方法.
- 以神经网络为参数的连续函数表示敏感度图.
- 与物理模型和规范化结合了数据忠实性术语.
- 引入了一种新的相位补偿策略,以考虑非局部组织相位影响.
主要成果:
- 与传统和无监督DL方法相比,INR-QSM表现出优越的质量和数量性能.
- 该方法实现了与监督DL方法相比具有竞争力的结果,即使数据乱.
- 新的相位补偿提高了物理模型的准确性.
结论:
- INR-QSM为准确的QSM重建提供了一个有前途的无监督方法.
- 该方法有效地处理数据限制,并改进了现有的DL技术.
- 隐式神经表示与相位补偿相结合,推进了QSM方法.
