将空间信息纳入深度学习参数估计,并应用于扩散权重MRI中的intravoxel不连贯运动模型
Misha P T Kaandorp1, Frank Zijlstra2, Davood Karimi3
1Department of Radiology and Nuclear Medicine, St. Olav's University Hospital, Trondheim, Norway; Department of Circulation and Medical Imaging, NTNU - Norwegian University of Science and Technology, Trondheim, Norway; Department of Radiology, Boston Children's Hospital, Harvard Medical School, Boston, MA, USA; Center for MR Research, University Children's Hospital Zurich, Zurich, Switzerland; University of Zurich, Zurich, Switzerland.
Medical image analysis
|December 31, 2024
概括
这项研究引入了一种新的深度学习方法,用于扩散加权成像 (DWI) 参数估计,利用邻近voxel中的空间相关性. 这种方法显著提高了对医学图像分析的传统技术的准确性.
科学领域:
- 医疗图像分析 医学图像分析
- 生物物理建模生物物理建模
- 扩散权重磁共振成像 (DWI) 是一种磁共振成像技术.
背景情况:
- 在DWI中准确的参数估计是具有挑战性的,因为信号噪声比 (SNR) 低,反向问题不好.
- 传统的方法分析voxels独立,忽视组织微环境中的空间相关性.
- 利用空间信息可以提高生物物理模型参数估计的准确性.
研究的目的:
- 为DWI参数估计开发和评估一种新的深度学习方法,该方法包含邻近voxel的空间信息.
- 评估使用自主监督和监督学习的不同深度学习架构的性能.
- 通过使用具有空间相关性的合成数据和体内DWI数据来验证方法.
主要方法:
- 在合成数据补丁上训练神经网络,这些数据补丁包括邻近voxel之间的相关性.
- 评估深度学习架构,通过自我监督和监督学习将空间信息纳入.
- 使用基于碎形噪声的合成数据进行定量评估,并将其应用于体内DWI数据.
主要成果:
- 在更大的补丁大小和注意力模型上进行的监督训练显示出了显著的性能改善.
- 这种新的深度学习方法的表现优于传统的语音模型.
- 基于卷积的方法也被包含空间信息的拟议方法所超越.
结论:
- 结合邻近voxel的空间信息的深度学习方法为DWI参数估计提供了显著的优势.
- 拟议的方法有效地利用空间相关性,从而提高了医学图像分析的准确性.
- 在监督培训中,注意力模型和更大的补丁大小是实现DWI参数估计增强性能的关键.
