用于自适应定量磁化率成像的概率偶极子反演
图像与视频处理
2021-03-16 v6
摘要
提出一种基于学习的后验分布估计方法——概率偶极子反演（PDI），用于在 MRI 中求解带有不确定性估计的定量磁化率映射（QSM）逆问题。在 PDI 中，使用深度卷积神经网络（CNN）将多元高斯分布表示为在给定输入测量场条件下磁化率近似后验分布。该 CNN 首先通过健康受试者上的后验密度估计进行训练，其中训练数据集包含来自真实后验分布的样本。随后在包含预训练未涵盖的新病变的患者数据集上部署域适应，PDI 通过最小化由 CNN 表示的近似后验分布与来自已知物理模型似然分布和预定义先验分布的真实后验分布之间的 Kullback-Leibler 散度，以无监督方式更新预训练 CNN 的权重。基于我们的实验，PDI 相比常规 MAP 方法提供了额外的不确定性估计，同时解决了当测试数据偏离训练数据时预训练 CNN 的潜在问题。
引用
@article{arxiv.2009.04251,
title = {Probabilistic Dipole Inversion for Adaptive Quantitative Susceptibility Mapping},
author = {Jinwei Zhang and Hang Zhang and Mert Sabuncu and Pascal Spincemaille and Thanh Nguyen and Yi Wang},
journal= {arXiv preprint arXiv:2009.04251},
year = {2021}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://www.melba-journal.org/article/21200-probabilistic-dipole-inversion-for-adaptive-quantitative-susceptibility-mapping?auth_token=5HEyUtAQRW9CVoU6XAs7