HyperFitS -- 用于代谢定量的超网络拟合光谱
机器学习
2026-04-06 v1
摘要
目的：质子磁共振光谱成像 (H MRSI) 使全脑代谢物浓度的体内映射成为可能。然而，其临床可行性的一个长期存在的问题是代谢定量，该过程往往需要大量时间才能完成光谱拟合。最近，深度学习方法能够在仅几秒钟内提供全脑代谢定量。然而，神经网络实现往往缺乏可配置性，需对预定义参数设置进行重新训练。方法：我们引入 HyperFitS，一种用于全脑 H MRSI 代谢定量的超网络，能够灵活适应各种基线校正和水抑制因子。使用 HyperFitS 对 3T 和 7T 下、分辨率为 10mm、3.4mm 和 2mm 的人类标本的水抑制和水不抑制 MRSI 代谢图进行定量，并与传统 LCModel 拟合进行比较。结果：代谢图在新方法与黄金标准方法之间显示出显著的一致性，HyperFitS 的拟合时间显著加快。定量结果进一步突显了基线参数化对代谢定量的影响，最大可导致结果偏差高达 30%。结论：HyperFitS 与最先进的传统方法表现出强烈的一致性，同时将处理时间从数小时缩短至数秒。与先前基于深度学习的光谱拟合方法相比，HyperFitS 具备更广泛的可配置性，能够适应多种协议和场强下的数据质量，无需重新训练。
引用
@article{arxiv.2604.03150,
title = {HyperFitS -- Hypernetwork Fitting Spectra for metabolic quantification of ${}^1$H MR spectroscopic imaging},
author = {Paul J. Weiser and Gulnur Ungan and Amirmohammad Shamaei and Georg Langs and Wolfgang Bogner and Malte Hoffmann and Antoine Klauser and Ovidiu C. Andronesi},
journal= {arXiv preprint arXiv:2604.03150},
year = {2026}
}