基于MRI的非代和不确定性意识的肝脂肪估计,使用无监督深度学习方法
Juan P Meneses1, Cristian Tejos2, Enes Makalic3
1Department of Medical Imaging and Radiation Sciences, Monash University, Melbourne VIC, 3168, Australia; Department of Electrical Engineering, Pontificia Universidad Catolica de Chile, Av. Vicuna Mackenna 4860, Macul, Santiago 7820436, Chile; Biomedical Imaging Center, Pontificia Universidad Catolica de Chile, Av. Vicuna Mackenna 4860, Macul, Santiago 7820436, Chile.
Medical image analysis
|September 19, 2025
概括
一种新的AI方法,AI-DEAL,准确估计肝脏质子密度脂肪分数 (PDFF) 和它的不确定性. 这种方法比临床使用的深度学习模型提供了更好的解释性和通用性.
科学领域:
- 磁共振成像 (MRI) 是一种磁共振成像技术.
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
背景情况:
- 肝脏质子密度脂肪分数 (PDFF) 是各种疾病的关键生物标志物.
- 对于PDFF估计的深度学习 (DL) 方法提供了速度,但缺乏可解释性和通用性.
- 这些局限性阻碍了基于DL的PDFF估计的临床采用.
研究的目的:
- 为 PDFF 估计引入一种可解释和可通用的基于人工智能的方法.
- 开发一种技术来量化与PDFF测量相关的不确定性.
- 在临床实践中克服当前DL方法的局限性.
主要方法:
- 开发了一种基于人工智能的水和脂肪分解与回声不对称和最小正方形 (AI-DEAL) 方法.
- AI-DEAL通过计算R2*和非共振场来进行一次性MRI水脂分离.
- 一种加权最小方程方法计算了仅含水/仅含脂肪的信号及其对PDFF和不确定性推导的共变矩阵.
主要成果:
- 在体内肝脏ROIs中,AI-DEAL显示了较低的PDFF偏差 (0.25%和-0.12%),表现优于最先进的DL技术.
- 该方法在脂肪水和数值幻影中显示出最小的偏差 (-3.43%和-0.22%),即使添加了噪音.
- 估计的不确定性与观察到的错误和ROI变化有很好的相关性,表明可靠性.
结论:
- AI-DEAL提供准确可靠的PDFF估计与不确定性量化.
- 与现有的DL模型相比,该方法显示出更高的概括性和解释性.
- AI-DEAL具有显著的潜力,可以提高基于MRI的肝脂肪量化的临床实用性.
