一种联合的基于深度学习的多项式拟合方法,用于MR电特性断层扫描的三平面物理受限深度学习

科学领域:

• 医疗成像医学成像
• 生物物理学的生物物理.
• 计算生物学 计算生物学

背景情况:

• 磁共振电气性质断层扫描 (MR-EPT) 使用重建算法估计体内组织的电气性质.
• 基于物理的MR-EPT重建面临着诸如噪音和边界问题之类的工件.
• 深度学习 (DL) 的MR-EPT方法是强大的,但需要大量的数据集,并与一般化作斗争.

研究的目的:

• 开发一个联合的三平面,受物理限制的深度学习框架,用于多项式拟合MR-EPT.
• 将基于物理的加权多项式拟合与DL合并,以改进MR-EPT重建.
• 为提高临床MR-EPT应用的导电性估计准确性和概括性.

主要方法:

• 开发了一个联合的三平面物理限制的DL框架,将基于物理的加权多项式拟合与DL合并.
• 深度学习模型在模拟的大脑数据上受训,以预测三个直角平面中的最佳多项式合适权重.
• 使用复杂的B1+数据,共同优化了网络重量,以进行综合导电性重建.

主要成果:

• 拟议的物理约束DL方法与单平面方法相比,提高了导电率估计的准确性.
• 基于3D数据的方法在捕捉解剖细节和均性方面表现出比传统方法更好的性能.
• 在体外应用显示出优异的概括性,没有显著的错误或文物.

结论:

• 联合的三平面物理约束DL框架提供了改进的MR-EPT导电率估计.
• 该方法增强了解剖细节和均性,优于传统技术.
• 该框架对体内数据的强烈概括性使其适用于临床MR-EPT应用.