ProxiMO:用于定量敏感性映射的近接多操作员网络
Shmuel Orenstein1, Zhenghan Fang1,2, Hyeong-Geol Shin3,4
1Department of Biomedical Engineering, Johns Hopkins University, Baltimore, MD 21218, USA.
Machine learning in clinical neuroimaging : 7th international workshop, MLCN 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 10, 2024, proceedings. MLCN (Workshop) (7th : 2024 : Marrakesh, Morocco)
|January 8, 2025
概括
本研究介绍了ProxiMO,这是一种无监督的深度学习方法,用于使用单向MRI数据进行定量敏感度映射 (QSM). 在不需要多重定向或地面真相的情况下,ProxiMO可以实现准确的QSM,提高重建效率.
科学领域:
- 医疗成像医学成像
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 定量敏感度映射 (QSM) 从MRI阶段数据重建了磁性敏感度.
- 准确的QSM通常需要采集多方位数据,这需要大量的时间.
- 现有的QSM深度学习方法通常依赖于使用多方向数据的监督培训.
研究的目的:
- 开发一种无监督的深度学习方法,用于使用单向MRI数据进行QSM重建.
- 为了实现高效和准确的QSM,而不需要多个方向或地面真相数据.
- 为了进一步提高性能,引入一个半监督的变种.
主要方法:
- ProxiMO (近接多操作员) 结合了学习近接卷积神经网络 (LP-CNN) 与多操作员成像 (MOI).
- 该方法促进LP-CNNs在单相数据上进行QSM的无监督培训.
- 开发了一种半监督的变种,以提高重建性能.
主要成果:
- ProxiMO成功地在单向测量数据上进行训练,而无需进行地面真相重建.
- 无监督方法对QSM重建具有显著的优势.
- 在多中心数据集上的实验表明了拟议的ProxiMO方法的优势.
结论:
- 无监督学习为QSM重建提供了一个有效的替代方案.
- ProxiMO为QSM提供了一种强大而优秀的方法,特别是在单向数据方面.
- 开发的方法推进了医疗图像分析和计算成像领域.
