当前位置:
X-MOL 学术
›
Med. Image Anal.
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
用于非均质材料中磁共振弹性成像刚度估算的人工神经网络。
Medical Image Analysis ( IF 10.7 ) Pub Date : 2020-04-22 , DOI: 10.1016/j.media.2020.101710
Jonathan M Scott 1 , Arvin Arani 2 , Armando Manduca 3 , Kiaran P McGee 2 , Joshua D Trzasko 2 , John Huston 2 , Richard L Ehman 2 , Matthew C Murphy 2
"点击查看英文标题和摘要"
更新日期:2020-04-22
Medical Image Analysis ( IF 10.7 ) Pub Date : 2020-04-22 , DOI: 10.1016/j.media.2020.101710
Jonathan M Scott 1 , Arvin Arani 2 , Armando Manduca 3 , Kiaran P McGee 2 , Joshua D Trzasko 2 , John Huston 2 , Richard L Ehman 2 , Matthew C Murphy 2
Affiliation
![]() |
目的
为了检验以下假设:消除材料均质性的假设将提高磁共振弹性成像(MRE)进行的刚度估算的空间精度。
方法
使用合成波数据训练了人工神经网络,合成波数据是使用耦合谐波振荡器模型计算的。材料特性可以分段平滑的方式变化。在仿真,体模和体内实验中,将该神经网络反演(非均匀学习反演(ILI))与以前的均匀神经网络反演(同质学习反演(HLI))和常规直接反演(DI)进行了比较。
结果
在模拟实验中,ILI在预测无噪声,低噪声和高噪声数据中包含物的刚度方面比HLI和DI更准确。在幻像实验中,ILI划定直径≤2.25 cm的夹杂物比HLI和DI清晰得多,并且为所有夹杂物提供了更高的对比度噪声比。在一系列僵硬的脑部肿瘤中,ILI在肿瘤边缘显示出比其他评估的倒置更陡峭的僵硬转变。
结论
ILI是用于MRE反演的基于人工神经网络的框架,该框架不假定材料刚度均匀。初步结果表明,与假定局部同质性的现有算法相比,它在较小的夹杂物和较大的刚度梯度下提供了更准确的刚度估算值和更好的对比度。这些结果支持需要继续探索基于学习的MRE反演方法,特别是对于需要高分辨率的应用。
![](https://scdn.x-mol.com/jcss/images/paperTranslation.png)
"点击查看英文标题和摘要"