WAND：基于小波分析的神经网络分解磁共振谱信号以实现信噪比低下的代谢物定量分析
信号处理
2024-10-15 v1
摘要
磁共振谱 (MRS) 中代谢物的准确定量因信噪比低、代谢物重叠以及各种信噪声素等因素而受到挑战。尤其是未知且无参数化的基线效应遮蔽了低浓度代谢物的定量，限制了MRS的可靠性。本文引入基于小波分析的神经网络分解 (WAND)，这是一种新颖的数据驱动方法，旨在将MRS信号分解为其组成部分：代谢物特异信号、基线和信噪声素。WAND利用这些组成量在小波域内的增强可分离性。该方法采用神经网络，具体为U-Net架构，训练以预测通过连续小波变换获取的小波系数的掩码。这些掩码有效地在小波域内隔离所需的信号分量，然后进行逆变换以获得分离的信号。值得注意的是，通过对所有已知信号掩码求和后取反，创建了一个信噪声素掩码，从而使WAND能够捕捉并移除甚至不可预测的信噪声素。通过使用模拟谱进行数值评估，展示了WAND在实现准确分解方面的有效性。此外，WAND的信噪声素移除能力显著提高了线性组合模型拟合的定量准确性。该方法的鲁棒性通过2016年MRS拟合挑战赛数据以及体内实验进一步得到验证。
引用
@article{arxiv.2410.10427,
title = {WAND: Wavelet Analysis-based Neural Decomposition of MRS Signals for Artifact Removal},
author = {Julian P. Merkofer and Dennis M. J. van de Sande and Sina Amirrajab and Kyung Min Nam and Ruud J. G. van Sloun and Alex A. Bhogal},
journal= {arXiv preprint arXiv:2410.10427},
year = {2024}
}
备注
Submitted to NMR in Biomedicine