基于物理的深度学习用于MR弹性学中剪切波速度估计

科学领域:

• 生物医学成像技术 生物医学成像技术
• 医学物理 医学物理
• 机器学习在医学中的应用

背景情况:

• 磁共振弹性图 (MRE) 是一种关键的非侵入性技术,用于评估体内组织生物力学,特别是剪波速度 (SWS).
• 传统的MRE面临着由于数据采集速度缓慢和复杂,位置不佳的波逆流程的挑战.
• 现有的方法通常依赖于手工制作的图像先验,限制了强度和效率.

研究的目的:

• 从MRE中低采样k空间数据开发数据驱动的方法来进行可靠的SWS估计.
• 通过使用基于物理的神经网络框架,共同优化图像重建和MRE反转.
• 从k空间数据直接实现准确和加速的刚度映射.

主要方法:

• 一个新的基于物理的重建框架,结合了神经网络 (NN) 规范化重建模块和相梯度逆转 (k-MDEV) 模块.
• 一种端到端可训练的方法,直接从测量的k空间数据中估计SWS.
• 对回顾性高度低样本的大脑MRE数据的评估,与总变异 (TV) 最小化方法进行比较,并对体内数据进行测试.

主要成果:

• 与电视最小化方法相比,拟议的数据驱动方法实现了正常化根平均平方误差 (NRMSE) 的30%降低.
• 端到端的培训表明,SWS估计性能优于单独的图像重建和SWS计算.
• 精确的SWS量化甚至在高加速度因子 (高达19) 的情况下也可以实现.

结论:

• 开发的端到端可训练的MRE重建方法使得直接从k空间数据中准确地绘制SWS.
• 基于NN的重建显著优于电视最小化等传统方法,强调了数据驱动规范化的价值.
• 这种方法显示了在动态研究,功能成像和实时临床应用中快速硬度映射的潜力,并且很好地概括到体内数据.