使用人工神经网络进行多参数动脉旋转标签的增强参数估计.
Shota Ishida1, Yasuhiro Fujiwara2, Yuki Matta3
1Department of Radiological Technology, Faculty of Medical Sciences, Kyoto College of Medical Science, Nantan, Japan.
Magnetic resonance in medicine
|June 9, 2024
概括
深度神经网络 (DNN) 提高了多参数动脉旋转标记 (MP-ASL) 的准确性和速度,用于量化脑血流 (CBF) 和动脉脑血量 (CBV). 监督DNN (DNNSup) 显示出比无监督DNN (DNNUns) 和查找表方法 (LUT) 更好的性能.
科学领域:
- 神经成像是一种神经成像.
- 医学物理 医学物理
- 人工智能在医学中的应用
背景情况:
- 多参数动脉旋转标记 (MP-ASL) 对于量化脑血流 (CBF) 和动脉脑血体积 (CBV) 至关重要.
- 在MP-ASL中,低信号噪声比 (SNR) 限制了准确性,需要复杂,耗时的参数估计.
- 深度神经网络 (DNN) 是克服MP-ASL这些局限性的有希望的解决方案.
研究的目的:
- 开发和评估基于模拟的DNN,用于MP-ASL参数估计.
- 为了比较受监督DNN (DNNSup),物理知情无监督DNN (DNNUns) 和传统查找表 (LUT) 方法的性能.
- 用模拟和体内数据评估DNN性能.
主要方法:
- 在静止状态和屏息任务中获得的MP-ASL数据.
- 使用静止状态数据评估准确性和噪声免疫力.
- 休息和任务状态之间的CBF和CBVa的统计比较;可重现性的评估.
主要成果:
- 与LUT相比,DNNSup表现出更高的准确性,噪声免疫力和六倍更快的计算时间.
- 所有方法都检测到CBF和CBVa的任务诱导增加,对DNNSup和DNNUns观察到更大的效果大小.
- 在所有测试方法 (DNNSup,DNNUns和LUT) 中,可复制性是可比和令人满意的.
结论:
- 在MP-ASL参数估计中,监督的DNN (DNNSup) 在MP-ASL参数估计中明显优于无监督的DNN (DNNUns) 和查找表方法 (LUT).
- DNNSup为MP-ASL提供了卓越的准确性,噪声免疫性和计算效率.
- DNN代表了一种强大的工具,用于推进MP-ASL的定量神经成像.
更多相关视频
12:29Magnetic Resonance Imaging Quantification of Pulmonary Perfusion using Calibrated Arterial Spin Labeling
Published on: May 30, 2011
13.7K
08:10Estimating Bilateral Atrial Function by Cardiovascular Magnetic Resonance Feature Tracking in Patients with Paroxysmal Atrial Fibrillation
Published on: July 20, 2022
1.7K
