深度神经网络训练的 QSM 线性度探究：QSMnet+
图像与视频处理
2019-10-15 v2
摘要
近来，深度神经网络驱动的定量磁化率成像（QSM）——QSMnet，成功完成了 QSM 中不适定的偶极子反演并生成了高质量的磁化率图。本文中，该网络由健康志愿者数据训练而成，针对磁化率远高于健康组织的出血病灶进行评估，以检验 QSMnet 对磁化率的线性度。结果显示 QSMnet 低估了出血病灶的磁化率，揭示网络在未训练磁化率范围内线性度下降。为克服此局限，提出一种数据增强方法以使网络泛化至更宽磁化率范围。新训练的网络称为 QSMnet+，在计算机模拟病灶（扩展磁化率范围 -1.4 ppm 至 +1.4 ppm）及十二名出血患者中进行评估。仿真结果表明 QSMnet+ 较 QSMnet 线性度改善（QSMnet+ 均方根误差：0.04 ppm，QSMnet：0.36 ppm）。应用于患者数据时，QSMnet+ 图较传统 QSM 图伪影更不明显。此外，通过线性回归分析，QSMnet+ 在出血病灶中的磁化率值较 QSMnet 更贴合传统 QSM 方法（QSMnet+：斜率 = 1.05，截距 = -0.03，R2 = 0.93；QSMnet：斜率 = 0.68，截距 = 0.06，R2 = 0.86），印证了 QSMnet+ 线性度的提升。本研究展示了训练数据范围在深度神经网络驱动参数映射中的重要性，并提出了用于网络泛化的数据增强方法。新网络可适用于宽范围磁化率量化。
引用
@article{arxiv.1909.07716,
title = {Exploring linearity of deep neural network trained QSM: QSMnet+},
author = {Woojin Jung and Jaeyeon Yoon and Joon Yul Choi and Jae Myung Kim and Yoonho Nam and Eung Yeop Kim and Jongho Lee},
journal= {arXiv preprint arXiv:1909.07716},
year = {2019}
}
备注
22 pages