具有蒙特卡洛脱落的循环神经网络的性能,用于从动态对比增强磁共振成像数据中预测药理学参数

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 药理动力学 药理动力学

背景情况:

• 动态对比增强磁共振成像 (DCE-MRI) 对于评估组织特征至关重要.
• 循环神经网络 (RNN),包括长期短期记忆 (LSTM) 和封闭循环单元 (GRU),显示出从DCE-MRI预测药理动力学 (PK) 参数的前景.
• 量化这些预测中的不确定性对于临床可靠性至关重要.

研究的目的:

• 量化评估LSTM和GRU网络的性能,使用蒙特卡罗脱落 (MCD) 来从DCE-MRI数据中预测PK参数.
• 调查各种因素对预测准确性的影响,例如训练数据大小和网络架构.
• 评估MCD在量化预测不确定性和提高图像质量的有效性.

主要方法:

• 综合DCE-MRI数据使用扩展Tofts模型和人口平均动脉输入函数 (AIF).
• 经过训练的LSTM和GRU网络使用来自脑瘤患者数据的PK参数,探索训练样本大小,隐藏单位和学率 (DR) 的影响.
• 使用MCD量化不确定性,并将RNN性能与非线性最小平方 (NLS) 估计进行比较.

主要成果:

• 与GRU不同的是,LSTM在不同的训练数据下表现稳定,与GRU不同. 在低峰信号与噪声比率 (PSNRs) 中,MCD减少了预测错误,并提高了PK参数图像质量.
• 最佳DR建议因PSNR和网络类型而异,建议低PSNR为0.25-0.5,高PSNR为≤0.25.
• 临床研究建议LSTM的DR为0.25,GRU的DR为0.5.

结论:

• MCD有效量化了DCE-MRI的PK参数预测中的不确定性,提高了性能,特别是在低PSNR的情况下,尽管计算需求更高.
• 该研究提供了关于在DCE-MRI分析中选择RNN架构的最佳超参数的见解.
• 这项工作增强了对RNN与MCD相结合的理解,以实现可靠的PK参数估计.