机器学习指导下的参数估计改进了脊髓扩散磁共振成像的可靠性。
摘要：在脊髓等信噪比非常低的扩散磁共振成像中，我们面临参数估计的准确性挑战。常规最大似然估计（MLE）的准确性高度依赖初始化。不利的选择可能导致次优的参数估计。目前解决这个问题的方法，如格点搜索（GS），可以大大增加计算时间。因此，我们提出了一种结合传统MLE和机器学习（ML）方法的ML-MLE方法，以解决参数估计的不准确性。在已有的机器学习方法中，为了提高参数估计的速度和精度，最近出现了一些方法。然而，当信噪比低时，它们可能会产生高系统偏差的估计参数。在我们提出的ML-MLE方法中，我们训练了一个人工神经网络模型，以有效地为MLE提供合理的初始化，并最终通过MLE确定最终解，避免了纯ML估计中常见的偏差问题。通过神经元定位离散度和密度成像的参数估计为例，模拟和体内实验表明，ML-MLE方法可以减少受CSF污染的白质体素中传统MLE方法的异常估计。它还比GS-MLE方法更加快速。总之，ML-MLE方法可以在减少计算时间的同时提高参数估计的可靠性，使其成为具有低信噪比的扩散数据集的实用工具。
作者：Ting Gong, Francesco Grussu, Claudia A. M. Gandini Wheeler-Kingshott, Daniel C Alexander, Hui Zhang
论文ID：2301.12294
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-01-31