在磁共振弹性学中用于组织弹性重建的物理信息神经网络
Matthew Ragoza1, Kayhan Batmanghelich2
1University of Pittsburgh, Pittsburgh, PA 15213, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|June 3, 2024
概括
基于物理学的神经网络提供了一个强大的解决方案,用于使用磁共振弹性学 (MRE) 重建组织弹性图. 这种人工智能驱动的方法提高了诊断肝纤维化等疾病的准确性和抗噪能力.
科学领域:
- 医疗成像医学成像
- 计算物理 计算物理
- 人工智能的人工智能
背景情况:
- 磁共振弹性图 (MRE) 量化组织度,用于诊断肝纤维化.
- 弹性映射涉及使用部分微分方程 (PDEs) 解决复杂的反向问题.
- 现有的数值方法对噪声敏感,需要预定义的物理关系.
研究的目的:
- 应用物理信息的神经网络 (PINNs) 来解决组织弹性重建中的反向问题.
- 开发一种方法,避免数字差异化,并尊重物理约束.
- 提高MRE中的弹性映射的准确性和稳定性.
主要方法:
- 利用PINNs来解决弹性重建的反向问题.
- 开发了一种不依赖于数值差异化的方法.
- 整合了解剖学信息,以加强对物理相关性的学习.
- 对模拟和体内患者数据 (非酒精性脂肪肝疾病) 的方法进行了验证.
主要成果:
- 与传统的数值技术相比,基于PINN的方法显示了对噪声的更强的稳定性.
- 在真实的模拟和体内数据上的弹性重建中取得了更高的准确性.
- 纳入解剖学信息进一步提高了该方法的性能.
结论:
- 通过MRE,PINNs提供了一种强大的,抗噪工具,用于通过MRE进行非侵入性组织弹性重建.
- 拟议的方法提高了肝纤维化和其他疾病的诊断能力.
- 这种人工智能驱动的方法为传统的数值方法提供了更准确和更适应的替代方案.
