P2T2：一种基于物理先验深度神经网络从定量T2加权MRI鲁棒估计T2分布的方法
信号处理
2023-05-19 v2 机器学习
摘要
从多回波加权MRI（）数据估计弛豫时间分布，可为评估神经退行性疾病、骨关节炎和肿瘤等多种病理中的炎症、脱髓鞘、水肿及软骨成分提供有价值的生物标志物。基于深度神经网络（DNN）的方法已被提出用于解决从MRI数据估计分布的复杂反问题，但它们对低信噪比（SNR）的临床数据尚不够鲁棒，且对采集过程中回波时间（TE）变化等分布偏移高度敏感。因此，其在具有异质采集协议的临床实践和大规模多机构试验中的应用受到阻碍。我们提出一种称为的基于物理先验的DNN方法，该方法将信号衰减正演模型与MRI信号一同嵌入DNN架构，以提高分布估计的准确性和鲁棒性。我们使用一维和二维数值模拟以及临床数据，将我们的模型与基于DNN的方法和经典分布估计方法进行比较评估。我们的模型改善了基线模型在临床环境中常见低SNR水平（）下的准确性。此外，与先前提出的DNN模型相比，我们的模型对采集过程分布偏移的鲁棒性提高了约35%。最后，应用于真实人脑MRI数据时，我们的模型相比基线方法生成了最详细的髓鞘水分数图。我们的模型提供了一种从MRI数据可靠且精确估计分布的手段，并有望用于具有异质采集协议的大规模多机构试验。
引用
@article{arxiv.2212.04928,
title = {P2T2: a Physically-primed deep-neural-network approach for robust $T_{2}$ distribution estimation from quantitative $T_{2}$-weighted MRI},
author = {Hadas Ben-Atya and Moti Freiman},
journal= {arXiv preprint arXiv:2212.04928},
year = {2023}
}