数据驱动MRS量化中最小化外分布效应的策略
信号处理
2025-12-01 v1 医学物理
机器学习
摘要
本研究系统比较了数据驱动与基于模型的策略，用于磁共振谱学（MRS）中代谢物的量化， focus于对外分布（OoD）效应的韧性以及 accuracy、robustness 与 generalizability 之间的平衡。一个用于MRS量化的神经网络使用三种不同策略进行训练：监督回归、自监督学习和测试时适应。这些方法与基于模型的拟合工具进行了比较。实验组合大规模模拟数据，旨在探测代谢物浓度的外推和信号波动，以及1H单体素7T体内人脑谱图。在模拟中，监督学习在与训练分布相似的谱图上实现了高准确率，但在外推到训练分布之外时表现显著下降。测试时适应对OoD效应更具韧性，而自监督学习实现了中间水平性能。在体内实验中，由于领域迁移，数据驱动方法与基于模型的方法之间的方差更大。尽管在MRS代谢物量化中可以实现强性能，但其可靠性取决于对训练分布的 careful consideration 以及潜在OoD效应的考虑。当目标分布中的条件无法预见时，测试时适应策略确保了量化、数据和模型之间的一致性，从而实现可靠的数据驱动MRS管道。
引用
@article{arxiv.2511.23135,
title = {Strategies to Minimize Out-of-Distribution Effects in Data-Driven MRS Quantification},
author = {Julian P. Merkofer and Antonia Kaiser and Anouk Schrantee and Oliver J. Gurney-Champion and Ruud J. G. van Sloun},
journal= {arXiv preprint arXiv:2511.23135},
year = {2025}
}
备注
Submitted to MRM