应用H大脑MRS基准数据集到深度学习的应用,用于外声元器件的文物

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 生物物理学的生物物理.

背景情况:

• 磁共振光谱 (MRS) 数据分析面临着挑战.
• 神经网络为这些挑战提供了潜在的解决方案.
• 声外回声 (OOV) 复杂化了MRS数据的解释.

研究的目的:

• 介绍AGNOSTIC数据集,用于在MRS数据上训练神经网络.
• 展示AGNOSTIC在检测和预测OOV回声方面的实用性.
• 为推进使用人工智能进行MRS数据分析提供资源.

主要方法:

• 使用270个基数组,18个场强度和15个回声时间生成了259,200个合成1H MRS示例.
• 在体内模拟的大脑数据,包括代谢物,巨分子,残留水信号和噪音.
• 在AGNOSTIC数据集上训练了两个卷积神经网络 (CNN),用于OOV回声检测和预测.

主要成果:

• 检测网络识别了95%的OOV回声,证明了实时检测的可行性.
• 预测网络显著减少了FID中的OOV回声,实现了 -1.79的中位数log10规范-MSE.
• 检测到的OOV信号的传统建模在线性组合建模中显示出潜在的有效性.

结论:

• AGNOSTIC数据集是开发和测试MRS数据的神经网络的宝贵资源.
• 在AGNOSTIC上训练有素的CNN可以有效地检测和预测OOV回声,提高数据质量.
• 这项工作有助于提高磁共振光谱分析的准确性和可靠性.