改进的无人监督物理信息深度学习用于胰腺癌症患者体素内不相干运动建模与评估

${\bf 目的}$：早期工作表明，IVIM-NET$_{orig}$（一种无人监督物理信息深度神经网络）比其它最先进的体素内不相干运动（IVIM）对 DWI 的拟合方法更准确。本研究提出改进版本：IVIM-NET$_{optim}$，并表征其在胰腺导管腺癌（PDAC）患者中的优越性能。${\bf 方法}$：在仿真中（SNR=20），通过分别计算 NRMSE、Spearman 的 $\rho$ 和变异系数（CV$_{NET}$），评估 IVIM-NET 在超参数组合（拟合 S0、约束、网络架构、隐藏层数、dropout、批归一化、学习率）下的准确性、独立性与一致性。表现最佳的网络 IVIM-NET$_{optim}$ 在不同 SNR 下与最小二乘（LS）及贝叶斯方法比较。IVIM-NET$_{optim}$ 的性能在 23 名 PDAC 患者中评估。其中 14 名患者在扫描间期未接受治疗，9 名在间期接受放化疗。评估了受试者内会话间标准差（wSD）与治疗诱导变化。${\bf 结果}$：仿真中，IVIM-NET$_{optim}$ 在准确性（NRMSE(D)=0.18 对 0.20；NMRSE(f)=0.22 对 0.27；NMRSE(D*)=0.39 对 0.39）、独立性（$\rho$(D*,f)=0.22 对 0.74）和一致性（CV$_{NET}$ (D)=0.01 对 0.10；CV$_{NET}$ (f)=0.02 对 0.05；CV$_{NET}$ (D*)=0.04 对 0.11）上优于 IVIM-NET$_{orig}$。IVIM-NET$_{optim}$ 在 SNR<50 时表现优于 LS 与贝叶斯方法。体内，IVIM-NET$_{optim}$ 显示出明显噪声更少的参数图，且 D 和 f 的 wSD 低于其它方法。在治疗组中，与日间变异相比，IVIM-NET$_{optim}$ 检测到最多具有显著参数变化的个体患者。${\bf 结论}$：推荐将 IVIM-NET$_{optim}$ 用于 DWI 数据的 IVIM 拟合。