NNFit:一种自我监督的深度学习方法,用于加速量化高分辨率短回声时间MR光谱数据集的加速量化
Alexander S Giuffrida1, Sulaiman Sheriff1, Vicki Huang1
1From the Department of Radiation Oncology (A.S.G., V.H., H.S.) and Department of Radiology and Imaging Sciences (B.D.W.), Emory University School of Medicine, 1701 Uppergate Dr, C5008 Winship Cancer Institute, Atlanta, GA 30322; Department of Radiology, University of Miami School of Medicine, Miami, Fla (S.S., A.A.M.); Department of Pathology, Northwestern University Feinberg School of Medicine, Chicago, Ill (L.A.D.C.); Department of Biostatistics and Bioinformatics, Emory University Rollins School of Public Health, Atlanta, Ga (Y.L.); Department of Psychology, Emory University, Atlanta, Ga (M.T.); and Department of Radiology, Duke University Medical Center, Durham, NC (B.J.S.).
深度学习方法NNFit量化了回声平面光谱成像 (EPSI) 数据,其性能与传统方法相提并论,但处理时间明显更快. 这一进步解决了脑成像临床工作流程中的计算瓶.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 对于回声平面光谱成像 (EPSI) 的传统光谱量化方法在临床工作流程中存在计算瓶.
- 高分辨率短回声时间 (TE) EPSI数据集需要高效量化才能进行准确的分析.
研究的目的:
- 开发和评估NNFit,这是一种自我监督的深度学习方法,用于量化高分辨率短TE EPSI数据.
- 将NNFit的性能与传统的光谱量化方法进行比较.
主要方法:
- 从质母细胞瘤和严重抑郁症临床试验中对89个短时间TE全脑EPSI扫描进行了回顾性分析.
- 开发和应用自主监督深度学习模型 (NNFit) 用于光谱量化.
- 使用参数建模方法 (FITT) 进行比较分析,使用结构相似度指数 (SSIM),线性相关系数 (R2) 和子系数.
主要成果:
- 在多种代谢物中,NFit表现与FITT相当,SSIM和R2值高 (例如,胆0.91/0.90,试验2中NAA为0.98/0.98).
- 使用NFit生成的代谢物地图对质母细胞瘤的治疗体积划分产生了0.92.9的平均Dice系数.
- NNFit的平均处理时间为90.1秒,而FITT的平均处理时间为52.9分钟,这显著提高了速度.
结论:
- 基于深度学习的光谱量化 (NNFit) 实现了与短TE EPSI数据的传统方法相似的性能.
- NNFit可大幅缩短处理时间,提高临床工作流程效率.
- 这些发现支持使用NNFit作为神经成像中光谱定量化的可行和加速替代方案.
