监督和物理信息无监督深度神经网络之间的比较,用于估计使用多延迟动脉旋转标记MRI的脑输液

科学领域:

• 神经成像是一种神经成像.
• 医学物理 医学物理
• 人工智能的人工智能

背景情况:

• 大脑血流 (CBF) 和动脉传输时间 (ATT) 是神经成像中的关键生物标志物.
• 多延迟动脉旋转标记 (ASL) 是一种非侵入性技术,用于量化这些参数.
• 准确估计CBF和ATT对于诊断和监测各种神经疾病至关重要.

研究的目的:

• 实施和评估一个基于物理的无监督深度神经网络 (DNN),用于从多延迟ASL数据中估计CBF和ATT.
• 为了比较无监督DNN与监督DNN和传统方法的性能.
• 通过模拟和体内数据评估这些方法的准确性和噪声免疫性.

主要方法:

• 训练有素的监督和无监督DNN使用模拟的多延迟ASL数据.
• 在使用模拟的方法中比较CBF和ATT估计准确度和噪声稳定性.
• 在体内数据上评估性能,并通过添加Rician噪声来评估噪声引起的变化.

主要成果:

• 监督DNN证明了不偏见的CBF估计,与其他具有正偏差的方法不同.
• 监督DNN在ATT估计中显示出较少的偏差,所有方法在增加噪声时都表现相似.
• 在体内研究证实,监督的DNN产生了最准确的CBF和ATT;无监督的DNN为ATT估计提供了优越的噪声免疫力.

结论:

• 物理知情无监督学习有效地从多延迟ASL估计CBF和ATT,优于传统方法.
• 监督DNN通常在准确性和偏差减少方面表现出卓越的表现.
• 无监督的DNN在ATT估计的噪声免疫方面表现出了特定的优势,突出了其在具有挑战性的成像场景中的潜力.