利用带前向物理模型损失的深度CNN从DCE-MRI直接估计药代动力学参数
计算机视觉与模式识别
2018-06-13 v2
摘要
动态对比增强（DCE）MRI是一种不断发展的成像技术，可提供体组织中药代动力学（PK）参数的定量测量，其通过在给予顺磁性对比剂后采集一系列T1加权图像实现。遗憾的是，在许多应用中，常规临床DCE-MRI存在时空分辨率低和体积覆盖不足的问题。本文提出一种基于深度学习的新方法，从欠采样DCE-MRI数据直接估计PK参数。具体而言，我们设计了一个自定义损失函数，其中融入了将PK参数与因k空间欠采样而受损的图像时间序列相关联的前向物理模型。这使得网络在训练阶段能直接利用真实对比剂动力学知识，从而更准确地恢复PK参数。在临床脑DCE数据集上的实验证明了我们的方法在PK参数重建保真度方面的高效性，且与基于模型的迭代重建方法相比参数推断显著更快。
引用
@article{arxiv.1804.02745,
title = {Direct Estimation of Pharmacokinetic Parameters from DCE-MRI using Deep CNN with Forward Physical Model Loss},
author = {Cagdas Ulas and Giles Tetteh and Michael J. Thrippleton and Paul A. Armitage and Stephen D. Makin and Joanna M. Wardlaw and Mike E. Davies and Bjoern H. Menze},
journal= {arXiv preprint arXiv:1804.02745},
year = {2018}
}
备注
Accepted at MICCAI 2018. 9 pages, 6 figures