基于自监督机器学习将方向性微结构模型拟合至扩散-弛豫MRI数据
图像与视频处理
2022-10-06 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
机器学习是将微结构模型拟合到扩散MRI数据的有力方法。早期的机器学习微结构成像实现以有监督方式训练回归器来估计模型参数，使用具有已知真值的合成训练数据。然而，该方法的一个缺陷是训练数据的选择会影响拟合的参数值。在此背景下，自监督学习正作为一种有吸引力的有监督学习替代方案而出现。迄今为止，有监督与自监督学习通常应用于各向同性模型，例如体素内不相干运动（IVIM），而非同时估计各向异性结构方向性的模型。在本文中，我们展示了针对方向性微结构模型的自监督机器学习模型拟合。具体而言，我们将一个组合的T1-ball-stick模型拟合到多维扩散（MUDI）挑战赛的扩散-弛豫数据集。与标准的非线性最小二乘拟合相比，我们的自监督方法在模拟和体内脑数据上均显示出参数估计与计算时间的明显改进。本研究构建的人工神经网络代码可从以下GitHub仓库公开获取：https://github.com/jplte/deep-T1-ball-stick
引用
@article{arxiv.2210.02349,
title = {Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI Data with Self-Supervised Machine Learning},
author = {Jason P. Lim and Stefano B. Blumberg and Neil Narayan and Sean C. Epstein and Daniel C. Alexander and Marco Palombo and Paddy J. Slator},
journal= {arXiv preprint arXiv:2210.02349},
year = {2022}
}
备注
Oral Presentation in: Computational Diffusion MRI Workshop (CDMRI) at Medical Image Computing and Computer Assisted Intervention (MICCAI) 2022