基于神经网络回归优化 MRF-ASL 扫描设计以精确量化脑血流动力学
图像与视频处理
2019-05-17 v1 机器学习
信号处理
机器学习
摘要
目的：动脉自旋标记（ASL）是一种定量的、非侵入性的、替代对比剂灌注成像的方法。传统 ASL 中固定某些模型参数的值（这些参数实际上因区域而异）可能会引入灌注估计的偏差。采用磁共振指纹（MRF）用于 ASL 是一种替代方案，其中这些参数与灌注一起被估计，但多参数估计会降低精度。我们旨在提高 ASL-MRF 信号对底层参数的灵敏度以抵消此问题，并提供精确估计。我们还提出了一种基于回归的 MRF-ASL 估计框架。方法：为提高 MRF-ASL 信号对底层参数的灵敏度，我们使用 Cramer-Rao 下界（CRLB）优化 ASL 标记时长。本文还提出了一种基于神经网络回归的估计框架，使用由我们的 ASL 信号模型生成的含噪合成信号进行训练。结果：我们在计算机模拟和体内测试中验证了我们的方法，并与多标记后延迟（multi-PLD）ASL 和未优化的 MRF-ASL 进行比较。我们给出了信号模型中考虑的六个参数估计图的比较。结论：该扫描设计过程能够从单次扫描中精确估计灰质和白质区域以及脑中异常灌注活动区域的多个血流动力学参数和组织特性。基于回归的估计方法可快速提供灌注估计，并规避量化误差问题。关键词：动脉自旋标记，磁共振指纹，优化，Cramer-Rao 界，扫描设计，回归，神经网络，深度学习，精度，估计，脑血流动力学。
引用
@article{arxiv.1905.06474,
title = {Optimizing MRF-ASL Scan Design for Precise Quantification of Brain Hemodynamics using Neural Network Regression},
author = {Anish Lahiri and Jeffrey A Fessler and Luis Hernandez-Garcia},
journal= {arXiv preprint arXiv:1905.06474},
year = {2019}
}
备注
Submitted to Magnetic Resonance in Medicine