使用神经控制微分方程进行定量MRI参数估计的获取独立的深度学习

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 量化MRI是指数量化的MRI.

背景情况:

• 深度学习 (DL) 显示出对定量MRI (QMRI) 参数估计的前景,其表现优于传统的最小平方 (LSQ) 拟合.
• 目前的DL方法缺乏对MR获取协议变化的稳定性,这阻碍了临床采用.
• 这种限制阻碍了DL在临床试验和实践中的使用.

研究的目的:

• 评估神经控制微分方程 (NCDEs) 作为QMRI参数估计的通用深度学习工具.
• 评估不同QMRI序列和获取参数的NDE的稳定性和准确性.
• 将NCDE性能与LSQ配件进行比较,特别是在低信号噪声比 (SNR) 场景中.

主要方法:

• 在QMRI参数估计中实施NDE.
• 在多种QMRI模型上测试NCE:可变翻转角度T1映射,intravoxel不连贯运动MRI和动态对比增强MRI.
• 在具有不同SNR水平的具有挑战性的解剖区域 (腹部,腿部) 中进行模拟研究和体内实验.

主要成果:

• 经过NCDE,不论序列长度,独立变量配置或前模型,都能证明QMRI参数估计的准确性.
• 在低SNR模拟和体内实验中,NCDEs的平均二次误差低于LSQ的适配.
• 对于NDE的参数估计精度的提高主要是由于估计误差的变异性减少,特别是在低SNR条件下.

结论:

• NCDEs为QMRI参数估计提供了强大的和可泛化的方法,解决了当前DL方法的局限性.
• 这种技术在具有高不确定性或低图像质量的场景中尤其有益,例如腹部和腿部成像.
• 在QMRI深度学习的更广泛的临床和研究应用中,NCDEs代表了重大进展.