使用卷积神经网络改善前列腺T2放松计量的定量参数估计
Patrick J Bolan1,2, Sara L Saunders3, Kendrick Kay4,5
1Center for Magnetic Resonance Research, University of Minnesota, 2021 6th Street SE, Minneapolis, MN, 55455, USA. bolan@umn.edu.
Magma (New York, N.Y.)
|July 23, 2024
概括
神经网络 (NN) 在前列腺中显示出优异的T2映射,与传统的曲线拟合相比. 在合成数据上训练的卷积神经网络 (CNN) 实现了更高的准确性和稳定性,特别是在杂的环境中.
科学领域:
- 磁共振成像 (MRI) 是一种磁共振成像.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 在MRI中的定量参数映射通常使用曲线拟合.
- 估计T2参数对于前列腺成像至关重要.
- 目前的方法面临着挑战,特别是在信号对噪声低的地区.
研究的目的:
- 为了比较传统的曲线拟合技术与神经网络 (NN) 测量前列腺T2的方法.
- 为了评估不同NN架构和训练策略的准确性,精度和噪声强度,与已建立的曲线拟合方法相比.
主要方法:
- 产生大型基于物理的合成数据集,模拟T2映射采集,用于NN培训和绩效比较.
- 实施和比较四个NN组合 (架构和培训机构) 与四个曲线拟合策略.
- 使用已知基底真相的合成数据和带有噪声增强的体内数据进行定量评估.
主要成果:
- 在自然合成数据上训练的卷积神经网络 (CNN) 在合成数据集上表现出最高的准确性和精度.
- 最好的CNN在体内数据上制作了低噪音的T2地图.
- 这种CNN方法在增加输入噪声水平时表现出最少的性能降低.
结论:
- 使用合成数据对CNN的监督训练可以比传统的曲线拟合产生更高的T2估计性能.
- 基于NN的T2映射显示了提高前列腺低信号噪声比区域的精度的特别希望.
- 这种方法为前列腺成像中的定量MRI提供了潜在的进步.
