利用深度学习将体素内不相干运动模型拟合到扩散加权 MRI
定量方法
2020-01-08 v2 机器学习
图像与视频处理
摘要
目的：本前瞻性临床研究评估训练深度神经网络（DNN）用于体素内不相干运动（IVIM）模型拟合扩散加权磁共振成像（DW-MRI）数据并评估其性能的可行性。方法：2011年5月，十名男性志愿者（年龄范围：29至53岁，平均：37岁）在1.5T和3.0T磁共振扫描仪上接受了上腹部DW-MRI检查。由两名阅片者独立勾勒左、右肝叶、胰腺、脾脏、肾皮质和肾髓质的感兴趣区域。使用这些数据训练用于IVIM模型拟合的DNN；结果与最小二乘和贝叶斯IVIM拟合方法进行比较。采用组内相关系数（ICC）评估阅片者间测量的一致性。使用变异系数（CV）评估受试者间变异性。基于模拟数据计算拟合误差，并记录每种方法的平均拟合时间。结果：DNN成功训练用于IVIM参数估计。该方法与两名阅片者间高度一致性（ICC介于50%和97%之间）、估计参数值的低受试者间变异性（CV介于9.2和28.4之间），且与最小二乘和贝叶斯方法相比误差最低。DNN拟合比其他方法快几个数量级，但网络可能需要针对不同采集协议或成像解剖区域重新训练。结论：推荐DNN用于DW-MRI数据的准确且鲁棒的IVIM模型拟合。适用软件见（1）。
引用
@article{arxiv.1903.00095,
title = {Deep Learning How to Fit an Intravoxel Incoherent Motion Model to Diffusion-Weighted MRI},
author = {Sebastiano Barbieri and Oliver J. Gurney-Champion and Remy Klaassen and Harriet C. Thoeny},
journal= {arXiv preprint arXiv:1903.00095},
year = {2020}
}