使用复杂值卷积神经网络进行GABA编辑磁共振光谱的频率和相位校正
Hanna Bugler1, Rodrigo Berto1, Roberto Souza2
1Department of Biomedical Engineering, University of Calgary, Canada; Department of Radiology, University of Calgary, Canada; Hotchkiss Brain Institute, University of Calgary,Canada; Alberta Children's Hospital Research Institute, University of Calgary, Canada.
复杂值输入和卷积显著改善卷积神经网络 (CNN) 在GABA编辑磁共振光谱 (MRS) 数据中的频率和相位校正 (FPC) 性能,优于现有的深度学习模型.
科学领域:
- 磁共振光谱学 (MRS) 是一种技术.
- 医疗成像中的人工智能
- 信号处理 信号处理
背景情况:
- 用GABA编辑的MRS对于神经化学分析至关重要.
- 在MRS数据中的频率和相位变化使分析复杂化.
- 深度学习 (DL) 提供了自动数据校正的潜力.
研究的目的:
- 评估复杂值与实值输入和FPC的CNN中卷曲的影响.
- 将一个新的复杂卷积神经网络 (CC-CNN) 与GABA编辑的MRS FPC的现有DL方法进行比较.
主要方法:
- 一项使用模拟数据的剥离研究确定了最佳的CNN输入和卷积类型.
- 最好的CNN模型 (CC-CNN) 用模拟和体内数据进行了验证.
- 使用SNR,线宽和光谱质量来评估性能,并通过Wilcoxon签名等级测试进行统计分析.
主要成果:
- 复杂值输入和复杂卷积在废弃研究中对FPC证明最有效.
- 在模拟数据上,CC-CNN模型表现出比其他模型更好的性能,用平均绝对误差来衡量.
结论:
- 对GABA编辑的MRS FPC的最佳CNN架构使用了复杂值输入和复杂卷积.
- 这种CC-CNN方法超过了MRS FPC当前的DL模型.
更多相关视频
08:51Statistical Modelling of Cortical Connectivity Using Non-invasive Electroencephalograms
Published on: November 1, 2019
10:23Equipment Setup and Artifact Removal for Simultaneous Electroencephalogram and Functional Magnetic Resonance Imaging for Clinical Review in Epilepsy
Published on: June 23, 2023
相关概念视频
NMR Spectrometers: Resolution and Error Correction
¹H NMR: Interpreting Distorted and Overlapping Signals
As Δν decreases and the signals move closer, the doublets appear increasingly distorted. The intensities of the inner lines increase at the cost of those of the outer lines as the signals are...
