物理信息神经网络用于从多回声配置状态MRI中估计组织特性
Samuel I Adams-Tew1,2, Henrik Odéen2, Dennis L Parker2
1Biomedical Engineering, University of Utah, Salt Lake City, UT, USA.
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
|December 19, 2024
概括
这项研究使用深度神经网络和配置状态成像来创建实时使用的定量MRI方法. 这些先进的磁共振成像 (MRI) 技术可以改善手术期间的治疗决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物物理学的生物物理.
背景情况:
- 定量核磁共振技术对于准确的医学诊断和治疗监测至关重要.
- 开发强大的MRI方法进行干预设置需要先进的计算方法.
- 当前的MRI技术在手术过程中可能面临实时参数映射的局限性.
研究的目的:
- 研究用于定量MRI的配置状态成像和深度神经网络 (DNN) 的集成.
- 从配置状态信号数据开发和评估DNN来估计磁共振 (MR) 参数图.
- 建立一个基于物理的框架,用于在干预环境中推进MR参数映射.
主要方法:
- 利用配置状态成像与深度神经网络相结合,用于定量MRI开发.
- 开发了一种物理建模技术,以解释不均的场和异质组织.
- 评估神经网络使用模拟配置状态信号数据估计参数图的理论能力.
主要成果:
- 神经网络证明了从配置状态信号中估计参数图的理论能力.
- 不同的数据规范化策略在特定参数估计方面表现相似.
- 网络架构和数据规范化对估计的翻转角度和T1值的准确性产生了重大影响.
结论:
- 基于物理的机器学习,特别是DNN,对MR参数映射有很大的希望.
- 开发的信号建模技术有助于创建和评估先进的定量MRI方法.
- 这项工作支持MRI技术的发展,以指导MR引导治疗期间的临床决策.
