用于MRI脂肪定量合成训练数据集的物理基准生成模型
信号处理
2024-12-13 v1 医学物理
摘要
深度学习技术在优化MRI脂肪定量所需的扫描和后处理时间方面具有潜力，但受限于缺乏大规模训练数据集。生成模型是进行数据增强以合成逼真数据集的有前景的工具。然而，尚无方法专为定量MRI（q-MRI）任务设计，其中通常需要参考定量图和较大的扫描协议变异性。我们提出了一种基于物理的潜在扩散模型（PI-LDM），通过融合信号生成模型来合成定量参数图与可自定义的MR图像。我们使用如Fréchet Inception Distance（FID）等指标评估了PI-LDM合成数据的质量，获得的分数与最先进的生成方法相当（FID：0.0459）。我们还训练了一个用于MRI脂肪定量任务的U-Net，纳入了合成数据集。当我们使用少量真实数据（10名受试者，约200个切片）和大量合成样本（超过3000个）时，特定肝脏ROI的脂肪浓度相对于使用相同协议获取的数据（在ROI_1处为0.10%，在ROI_2处为0.12%）以及使用替代协议获取的数据（在ROI_1处为0.14%，在ROI_2处为0.62%）具有很低的偏差。未来的工作将扩展PI-LDM至其他q-MRI应用。
引用
@article{arxiv.2412.08741,
title = {A Physics-based Generative Model to Synthesize Training Datasets for MRI-based Fat Quantification},
author = {Juan P. Meneses and Yasmeen George and Christoph Hagemeyer and Zhaolin Chen and Sergio Uribe},
journal= {arXiv preprint arXiv:2412.08741},
year = {2024}
}
备注
10 pages, 7 figures, submitted to IEEE Transactions on Medical Imaging