使用基于块的三维U-net进行深度学习脑电导率映射
医学物理
2019-08-13 v1 图像与视频处理
神经元与认知
摘要
目的：研究深度学习电特性 tomography（EPT）在不同模拟与体内数据集（包括病灶）上获取定量脑电导率图的应用。方法：训练三维基于块的卷积神经网络，从B1发射接收相位数据预测电导率图。为比较DLEPT网络在不同数据集上的性能，本工作使用了三个数据集：一个来自模拟，两个分别来自健康志愿者与癌症患者的体内测量。首先，在模拟上训练的网络在所有数据集上测试，训练与测试中引入不同水平的均匀高斯噪声。其次，为研究对模拟与测量相位图之间系统性差异的潜在鲁棒性，使用来自常规EPT的体内数据与电导率标签进行训练。结果：在有噪与无噪模拟上训练的网络重建质量高，证实了深度学习用于EPT的潜力。然而，本工作中含伪影的结果揭示了将DLEPT应用于体内数据的挑战。用常规EPT的电导率标签训练DLEPT网络可改善结果质量，这被认为是对图像采集伪影的鲁棒性所致。结论：在添加均匀高斯噪声的模拟上训练的网络应用于体内数据时会产生重建伪影。使用真实相位数据与常规EPT的电导率标签训练可大幅减少这些伪影。
引用
@article{arxiv.1908.04118,
title = {Deep learning brain conductivity mapping using a patch-based 3D U-net},
author = {Nils Hampe and Ulrich Katscher and Cornelis A. T. van den Berg and Khin Khin Tha and Stefano Mandija},
journal= {arXiv preprint arXiv:1908.04118},
year = {2019}
}