体素内不相干运动(Intravoxel Incoherent Motion,IVIM)模型利用扩散加权磁共振成像的原理(Diffusion-weighted Magnetic Resonance Imaging,DWI),能够无损获得生物活体组织的水分子扩散系数(D)和血液灌注信息(F,D^(*))。但是传统的IVI...体素内不相干运动(Intravoxel Incoherent Motion,IVIM)模型利用扩散加权磁共振成像的原理(Diffusion-weighted Magnetic Resonance Imaging,DWI),能够无损获得生物活体组织的水分子扩散系数(D)和血液灌注信息(F,D^(*))。但是传统的IVIM参数估计方法对噪音敏感,特别是在肝脏等受呼吸运动影响的腹部器官,因此参数估计效果不佳。为了提高参数估计模型的噪音鲁棒性,提出一个先验驱动的神经网络(Prior-Driven Neural Network,PDNN),利用全监督训练自适应学习到的先验知识去指导无监督训练。使用均方误差根(Root Mean Square Errors,RMSE)在不同信噪比上评估模型的噪音鲁棒性,采用变异系数(Coefficient of Variation,CV)分布来区分肝脏健康组和肝硬化组之间的显著性差异,并与非线性最小二乘、基于体素的深度学习方法IVIM-NET optim和基于领域信息的2D卷积网络SSUN比较。结果表明,所提出的方法具有最好的噪音鲁棒性,拟合参数[D,F,D^(*)]在所有信噪比上的RMSE指标比次优方法分别低27.63%,23.72%,31.46%。此外,所提方法能更好地保存组织结构信息,有效区分了健康肝脏和肝硬化(CV分布具有显著性差异,P<0.05)。展开更多
文摘体素内不相干运动(Intravoxel Incoherent Motion,IVIM)模型利用扩散加权磁共振成像的原理(Diffusion-weighted Magnetic Resonance Imaging,DWI),能够无损获得生物活体组织的水分子扩散系数(D)和血液灌注信息(F,D^(*))。但是传统的IVIM参数估计方法对噪音敏感,特别是在肝脏等受呼吸运动影响的腹部器官,因此参数估计效果不佳。为了提高参数估计模型的噪音鲁棒性,提出一个先验驱动的神经网络(Prior-Driven Neural Network,PDNN),利用全监督训练自适应学习到的先验知识去指导无监督训练。使用均方误差根(Root Mean Square Errors,RMSE)在不同信噪比上评估模型的噪音鲁棒性,采用变异系数(Coefficient of Variation,CV)分布来区分肝脏健康组和肝硬化组之间的显著性差异,并与非线性最小二乘、基于体素的深度学习方法IVIM-NET optim和基于领域信息的2D卷积网络SSUN比较。结果表明,所提出的方法具有最好的噪音鲁棒性,拟合参数[D,F,D^(*)]在所有信噪比上的RMSE指标比次优方法分别低27.63%,23.72%,31.46%。此外,所提方法能更好地保存组织结构信息,有效区分了健康肝脏和肝硬化(CV分布具有显著性差异,P<0.05)。
