在基于深度学习的瘤微结构参数映射中平衡偏差和差异

科学领域:

• 生物医学成像技术 生物医学成像技术
• 机器学习在医学成像中的应用
• 量化MRI是指数量化的MRI.

背景情况:

• 时间依赖的扩散MRI对于瘤微结构参数量化至关重要.
• 目前的方法,如非线性最小平方匹配 (NLLS) 和平均平方误差深度学习 (MSE-Net),具有偏差差异权衡的挑战.
• NLLS提供低偏差但高偏差,而MSE-Net提供低偏差但高偏差.

研究的目的:

• 研究NLLS和MSE-Net在扩散MRI模型适配中的偏差-变异特征.
• 提出一种用于控制定量MRI中偏差差异权衡的新方法.
• 为了提高瘤微结构参数估计的准确性和可靠性.

主要方法:

• 在贝叶斯框架内对NLLS和MSE-Net进行了改革,以了解偏差差异行为.
• 推出了B2V-Net,一种监督学习方法,具有可调节的偏差差异加权损失函数.
• 评估了B2V-Net与NLLS和MSE-Net相比,使用各种参数和噪声水平的数值模拟,以及头癌患者的体内模拟.

主要成果:

• 在贝叶斯分析中通过平面后部分布解释了NLLS和MSE-Net行为.
• B2V-Net成功控制了偏差差异权衡,将标准偏差减少了56%与NLLS相比.
• 与MSE-Net相比,B2V-Net实现了18%的偏差降低,体内参数图显示出平衡的流性和准确性.

结论:

• 展示并解释了NLLS和MSE-Net中固有的偏差差异问题.
• 拟议的B2V-Net有效地平衡了扩散MRI分析中的偏差和差异.
• 这项工作为设计针对特定临床成像应用的定制损失函数提供了有价值的见解和方法.