面向低信噪比糖尿病肝脏 MRI 中基于自助引导的物理先导神经网络用于鲁棒 T2 分布估计
机器学习
2026-03-17 v1
摘要
从多回波自旋脉冲 (MESE) MRI 中估计多组分 T2 松弛分布是 severely ill-posed 的逆问题，传统上使用正则化非负最小二乘 (NNLS) 求解。在腹部成像中，尤其是胰腺成像，低信噪比和残余非相关噪声挑战了经典求解器和确定性深度学习模型。我们引入一种基于自助引导的推断框架，用于鲁棒的分布式 T2 估计，通过对回波列进行随机抽样并聚合多个子集的预测。将该采集视为分布而非固定输入，产生方差降低、物理一致的估计，并将确定性松弛网络转化为概率集合预测器。应用于 P2T2 架构，我们的方法在推断时使用自助引导，以平滑噪声伪影并提高对 underlying 松弛分布的忠实度。非侵入性糖尿病肝脏评估受限于位置和活检风险，凸显了能够捕捉早期病理变化的生物标志物的需求。在1型糖尿病 (T1DM) 中，β 细胞破坏在显著的血糖升高之前即已开始，然而当前影像学无法评估早期胰腺退行。我们通过重复检测研究 (N=7) 和 T1DM 与健康对比任务 (N=8) 评估临床效用。我们的方案在多次扫描中实现最低的 Wasserstein 距离，并在对生理学驱动的松弛时间分布变化具有卓越的灵敏度，优于 NNLS 和确定性深度学习基线。这些结果确立了自助引导推断作为糖尿病肝脏低信噪比成像中定量 T2 松弛的有效增强方法。
引用
@article{arxiv.2603.14084,
title = {Bootstrapped Physically-Primed Neural Networks for Robust T2 Distribution Estimation in Low-SNR Pancreatic MRI},
author = {Hadas Ben Atya and Nicole Abramenkov and Noa Mashiah and Luise Brock and Daphna Link Sourani and Ram Weiss and Moti Freiman},
journal= {arXiv preprint arXiv:2603.14084},
year = {2026}
}