用于增强氘代谢成像灵敏度的保边卷积神经网络
图像与视频处理
2023-09-15 v2 机器学习
医学物理
摘要
目的：与大多数 MRSI 技术一样，氘代谢成像（DMI）的空间分辨率与最短扫描时长受限于可实现的 SNR。本工作提出一种用于增强 DMI 灵敏度的深度学习方法。方法：设计了一个卷积神经网络（CNN）以从低 SNR 且畸变的 DMI FID 中估计 2H 标记的代谢物浓度。该 CNN 使用代表体内典型 SNR 水平范围的合成数据训练。通过对每个 DMI 数据集采用基于 MRI 的保边正则化微调 CNN，进一步提高了估计精度。所提出的处理方法，即用于灵敏度增强 DMI 的保边卷积神经网络（PRECISE-DMI），被应用于仿真研究及体内实验，以评估预期的 SNR 提升并探究不准确性之可能。结果：PRECISE-DMI 在视觉上改善了低 SNR 数据集的代谢图，并在定量上比标准傅里叶重建提供了更高精度。对大鼠脑肿瘤模型获取的 DMI 数据处理，相较于标准采集，以更高空间分辨率（从 >8 到 2 L）或缩短扫描时间（从 32 到 4 min）实现了 2H 标记乳酸及谷氨酸+谷氨酰胺水平的更精确测定。然而，严格的 SD-偏差分析表明，过度使用保边正则化会损害结果的准确性。结论：PRECISE-DMI 允许在增强 DMI 灵敏度与最小化不准确性之间进行灵活权衡。在典型设置下，DMI 灵敏度可提升 3 倍，同时保留检测局部信号变化的能力。
引用
@article{arxiv.2309.04100,
title = {Preserved Edge Convolutional Neural Network for Sensitivity Enhancement of Deuterium Metabolic Imaging (DMI)},
author = {Siyuan Dong and Henk M. De Feyter and Monique A. Thomas and Robin A. de Graaf and James S. Duncan},
journal= {arXiv preprint arXiv:2309.04100},
year = {2023}
}