使用深度学习的后验估计：动态 PET 房室建模的仿真研究
图像与视频处理
2023-03-20 v1 机器学习
医学物理
摘要
背景：在医学成像中，图像通常被视为确定性的，而其不确定性在很大程度上未被充分探究。目的：本工作旨在利用深度学习高效估计成像参数的后验分布，进而可用于推导最可能参数及其不确定性。方法：我们基于深度学习的方案建立在变分贝叶斯推断框架之上，该框架使用基于条件变分自编码器（CVAE）的两种不同深度神经网络实现，即 CVAE-dual-encoder 与 CVAE-dual-decoder。常规 CVAE 框架，即 CVAE-vanilla，可视为这两种神经网络的简化情形。我们将这些方案应用于基于参考区域的动力学模型的动态脑 PET 成像仿真研究。结果：在仿真研究中，我们给定时间-活度曲线测量值估计了 PET 动力学参数的后验分布。我们提出的 CVAE-dual-encoder 与 CVAE-dual-decoder 所得结果与由马尔可夫链蒙特卡洛（MCMC）采样的渐近无偏后验分布吻合良好。CVAE-vanilla 也可用于估计后验分布，尽管其性能劣于 CVAE-dual-encoder 与 CVAE-dual-decoder。结论：我们评估了用于动态脑 PET 后验分布估计的深度学习方案性能。我们的深度学习方案产生的后验分布与 MCMC 估计的无偏分布吻合良好。所有这些神经网络具有不同特性，用户可根据具体应用选择。所提方法具有通用性，可适配其他问题。
引用
@article{arxiv.2303.10057,
title = {Posterior Estimation Using Deep Learning: A Simulation Study of Compartmental Modeling in Dynamic PET},
author = {Xiaofeng Liu and Thibault Marin and Tiss Amal and Jonghye Woo and Georges El Fakhri and Jinsong Ouyang},
journal= {arXiv preprint arXiv:2303.10057},
year = {2023}
}
备注
Published in Medical Physics