HSGDNet:混合合成数据导向深度学习与NLS改进,用于快速多元件T1ρ膝盖映射

科学领域:

• 磁共振成像 (MRI) 是一种磁共振成像技术.
• 医学图像分析 医学图像分析
• 计算生物学 计算生物学

背景情况:

• 膝关节多元件T1ρ映射对于诊断诸如骨关节炎等疾病至关重要.
• 传统的非线性最小平方 (NLS) 方法是计算密集的,限制了它们的临床适用性.
• 深度学习 (DL) 提供了速度,但通常需要广泛的训练数据集.

研究的目的:

• 开发一种高效且准确的方法,用于对膝关节的多元件T1ρ映射.
• 克服NLS方法中的计算强度和DL中的数据要求的局限性.
• 引入混合深度学习方法,以加速和精确的T1ρ量化.

主要方法:

• 拟议的合成数据引导监督深度学习网络 (SGDNet) 使用合成生成的数据进行培训.
• 集成的剩余连接和SGDNet中的自我注意模块,以改善梯度流和精度.
• 开发了一种混合方法 (HSGDNet),将SGDNet输出与NLS相结合,以提高精度和速度.
• 采用定制的损失函数,以确保参数保真性和数据一致性.

主要成果:

• 通过HSGDNet实现了显著的平均误差降低:91.4% (ME),31.5% (SE) 和36.0% (BE).
• 与NLS相比,HSGDNet加速了T1ρ的装配速度约为67.4× (ME),53.9× (SE) 和42.3× (BE).
• 在早期骨关节炎 (EOA) 数据集上验证了HSGDNet,在病理和协议变化下证明了稳定性.

结论:

• HSGDNet为膝关节多元件T1ρ映射提供了一个快速,精确和强大的解决方案.
• 综合数据驱动的方法消除了对大型实验数据集的需求,促进了DL模型培训.
• HSGDNet显示出改善膝关节病理的临床诊断和监测的潜力.