基于深度学习的磁共振弹性成像（MRE）剪切模量估计反向框架（DIME）
机器学习
2025-12-16 v1 组织与器官
摘要
多模态直接反向（MMDI）算法在磁共振弹性成像（MRE）中广泛用于估计组织剪切刚度。然而，MMDI依赖于亨尔曼方程，该方程假设波在均匀、均质且无限介质中传播。此外，Laplacian算子的使用使MMDI对噪声高度敏感，妨碍了刚度估计的准确性和可靠性。本研究提出了用于MRE剪切模量估计的深度学习驱动反向框架（DIME），旨在增强反向过程的鲁棒性。DIME基于有限元建模（FEM）生成的位移场-刚度图配对数据进行训练。为捕捉局部波动行为并提高对全局图像变化的鲁棒性，DIME在小图像块上进行训练。我们首先使用均匀和异构数据集进行了DIME的验证，结果显示DIME生成的刚度图在像素间变异性低、边界描绘准确、与真实值（GT）的相关性高于MMDI。随后，DIME在一个真实解剖学信息驱动的模拟肝脏数据集上进行评估，已知GT并与MMDI直接比较。DIME以高度忠实的程度再现了真实刚度模式（r = 0.99, R² = 0.98），而MMDI显示更大的低估现象。在验证DIME在合成数据上的有效性后，我们在来自8名健康者和7名纤维化患者的体内肝脏MRE数据上测试了该模型。DIME保留了生理上一致的刚度模式，与MMDI的结果接近，而MMDI显示出方向性偏差。总体而言，DIME与真实值之间的相关性更高，呈现出类似MMDI的视觉刚度图模式，而MMDI显示出更大的偏差，这可能归因于方向性滤波。这些初步结果突显了DIME在MRE临床应用中实现可行性的潜力。
引用
@article{arxiv.2512.13010,
title = {Deep Learning-Driven Inversion Framework for Shear Modulus Estimation in Magnetic Resonance Elastography (DIME)},
author = {Hassan Iftikhar and Rizwan Ahmad and Arunark Kolipaka},
journal= {arXiv preprint arXiv:2512.13010},
year = {2025}
}