基于自监督深度学习的定量MRI莱斯似然损失
机器学习
2025-09-25 v1 计算工程、金融与科学
图像与视频处理
定量方法
机器学习
摘要
目的：先前使用自监督深度学习的定量MR成像研究报道了在低信噪比(SNR)下存在偏倚的参数估计。此类系统误差源于为网络训练选择均方误差(MSE)损失函数，该函数与莱斯分布的MR幅度信号不兼容。为解决此问题，我们引入了负对数莱斯似然(NLR)损失。方法：开发了数值稳定且精确的NLR损失实现，用于估计表观扩散系数(ADC)模型和体素内不相干运动(IVIM)模型的定量参数。在SNR范围(5–30)内，根据偏倚、方差和均方根误差评估参数估计的准确度、精密度和总体误差，并与MSE损失进行比较。结果：随着SNR降低，使用NLR损失训练的网络对ADC和IVIM扩散系数的估计准确度高于MSE，且精密度或总误差损失最小。在高有效SNR(高SNR和小扩散系数)下，两种损失对两个模型所有参数的准确度和精密度相当。结论：所提出的NLR损失在全部测试SNR范围内数值稳定且精确，并使用自监督深度学习改善了扩散系数的参数估计准确度。我们期望该进展能广泛惠及定量MR成像技术，从而能从含噪数据中实现更精确的参数估计。
引用
@article{arxiv.2307.07072,
title = {Rician likelihood loss for quantitative MRI using self-supervised deep learning},
author = {Christopher S. Parker and Anna Schroder and Sean C. Epstein and James Cole and Daniel C. Alexander and Hui Zhang},
journal= {arXiv preprint arXiv:2307.07072},
year = {2025}
}
备注
16 pages, 6 figures