MoDL-QSM:基于模型的定量磁化率成像深度学习
计算机视觉与模式识别
2021-05-21 v2 机器学习
摘要
定量磁化率成像(QSM)在量化多种脑疾病中组织磁化率方面展现出巨大潜力。然而,关联组织相位与底层磁化率分布的固有不适定逆问题影响了组织磁化率量化的准确性。近来,深度学习在通过减少条纹伪影提升准确性方面取得了有前景的结果。然而,观测相位与由磁化率标签估计的理论前向相位之间存在失配。本研究中,我们提出了一种遵循STI(磁化率张量成像)物理模型的基于模型的深度学习架构,称为MoDL-QSM。具体而言,MoDL-QSM考虑了由磁化率张量项(ki13,ki23,ki33)引起的STI衍生相位对比与采集的单方向相位之间的关系。卷积神经网络被嵌入物理模型以学习包含先验信息的正则化项。ki33以及由ki13和ki23项引起的相位被用作网络训练标签。定量评价指标(RSME、SSIM和HFEN)与近期开发的深度学习QSM方法进行比较。结果表明MoDL-QSM取得了更优性能,展现了其在未来应用中的潜力。
引用
@article{arxiv.2101.08413,
title = {MoDL-QSM: Model-based Deep Learning for Quantitative Susceptibility Mapping},
author = {Ruimin Feng and Jiayi Zhao and He Wang and Baofeng Yang and Jie Feng and Yuting Shi and Ming Zhang and Chunlei Liu and Yuyao Zhang and Jie Zhuang and Hongjiang Wei},
journal= {arXiv preprint arXiv:2101.08413},
year = {2021}
}