通过多任务学习实现MRI同步分割与弛豫测量
医学物理
2019-12-02 v1 图像与视频处理
摘要
目的：本研究展示了一种MR信号多任务学习方法，用于人脑组织的3D同步分割与弛豫测量。材料与方法：采用3D反转制备平衡稳态自由进动序列采集体内多对比度脑图像。深度神经网络包含3个残差块，每个块有8个全连接层，使用sigmoid激活、层归一化，每层256个神经元。使用在线合成的MR信号演化和标签批量训练神经网络。将正常灰质、白质和脑脊液（CSF）的T1和T2值的经验定义范围作为先验知识。MRI脑实验在3名健康志愿者以及动物（N=6）和前列腺患者（N=1）实验上进行。结果：在动物验证实验中，所提方法与真值估计的T1和T2值之间的差异/误差（平均差异差异标准差）分别为T1的113486和154512 ms，T2的533和741 ms。在健康志愿者实验（N=3）中，全脑分割与弛豫测量在约5秒内完成。估计的表观T1和T2图与已知脑解剖结构一致，且不受线圈灵敏度变化影响。灰质、白质和CSF被成功分割。该深度神经网络还能生成合成的T1和T2加权图像。结论：所提出的多任务学习方法可直接生成脑表观T1和T2图，以及合成T1和T2加权图像，同时完成灰质、白质和CSF的分割。
引用
@article{arxiv.1911.12389,
title = {Simultaneous Segmentation and Relaxometry for MRI through Multitask Learning},
author = {Peng Cao and Jing Liu and Shuyu Tang and Andrew Leynes and Janine M. Lupo and Duan Xu and Peder E. Z. Larson},
journal= {arXiv preprint arXiv:1911.12389},
year = {2019}
}