基于非配对深度学习的动态对比增强MRI药代动力学参数估计
图像与视频处理
2023-06-08 v1 人工智能
计算机视觉与模式识别
机器学习
医学物理
摘要
DCE-MRI通过获取药代动力学参数来提供血管通透性和组织灌注的信息。然而,传统的药代动力学参数估计方法涉及示踪动力学模型的拟合,由于动脉输入函数(AIF)测量存在噪声,这些方法常面临计算复杂和低精度的问题。尽管已有一些深度学习方法来应对这些挑战,但大多数现有方法依赖于需要配对的输入DCE-MRI和带标签的药代动力学参数图的监督学习。这种对标签数据的依赖带来了显著的时间和资源限制,以及标签中潜在的噪声,使得监督学习方法往往不切实际。为解决这些局限,本文提出一种新颖的非配对深度学习方法,利用物理驱动的CycleGAN方法同时估计药代动力学参数和AIF。我们提出的CycleGAN框架基于底层物理模型设计,从而形成了具有单一生成器和判别器对的更简洁架构。关键的是,我们的实验结果表明,我们的方法无需单独的AIF测量,即可产生比其他技术更可靠的药代动力学参数。
引用
@article{arxiv.2306.04339,
title = {Unpaired Deep Learning for Pharmacokinetic Parameter Estimation from Dynamic Contrast-Enhanced MRI},
author = {Gyutaek Oh and Won-Jin Moon and Jong Chul Ye},
journal= {arXiv preprint arXiv:2306.04339},
year = {2023}
}