RAIDER：基于深度学习的快速且解剖结构无关的仅幅值信号 PDFF 与 R2* 估计
医学物理
2025-10-16 v4
摘要
近期，人们对使用基于幅值的拟合方法从化学位移编码 MRI (CSE-MRI) 数据中估计质子密度脂肪分数 (PDFF) 和 R2* 产生了兴趣，因为当基于复数的方法失效或相位数据不可用/不可靠时（例如在多中心试验、低资源环境、临床前成像和国家队列数据集中），这些方法仍然可以使用，并且也可作为基于复数方法的最终处理步骤。然而，传统的拟合技术计算成本高昂。基于深度学习 (DL) 的方法有望加速参数估计，但目前尚不存在用于逐体素 CSE-MRI 组织参数估计的深度学习方法。在此，我们表明，朴素的逐体素多层感知机 (MLP) 实现性能较差，因为多个组织参数值可以产生相似的信号（简并性），这可能解释了文献中的这一空白。为了解决这个问题并实现基于 MLP 的组织参数估计所提供的潜在加速，我们提出了 RAIDER，这是一种使用多回波幅值数据进行快速、解剖结构无关的基于深度学习的 PDFF 和 R2* 估计的逐体素方法。RAIDER 利用两个神经网络，每个网络具有单独设计的训练数据分布，以处理简并性，从而实现基于 MLP 方法的好处，并带来 400 倍至 2800 倍的加速（这意味着处理仅需几秒钟，而不是几分钟或几小时）。我们的代码可在 https://github.com/TJPBray/DixonDL 获取。
引用
@article{arxiv.2403.01178,
title = {RAIDER: Rapid, anatomy-independent, deep learning-based PDFF and R2* estimation using magnitude-only signals},
author = {T. J. P. Bray and G. V. Minore and A. Bainbridge and L. Dwyer-Hemmings and S. A. Taylor and M. A. Hall-Craggs and H. Zhang},
journal= {arXiv preprint arXiv:2403.01178},
year = {2025}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/\'e