体素内不相干运动(intravoxel incoherent motion,IVIM)是目前唯一不需要造影剂的医学成像技术。但现有的双指数成像模型无法反映扩散和灌注运动的非高斯特性,且IVIM参数的拟合方法很容易受噪声干扰并难以泛化。故针对此问题建立了双拉...体素内不相干运动(intravoxel incoherent motion,IVIM)是目前唯一不需要造影剂的医学成像技术。但现有的双指数成像模型无法反映扩散和灌注运动的非高斯特性,且IVIM参数的拟合方法很容易受噪声干扰并难以泛化。故针对此问题建立了双拉伸指数模型,并设计了双驱动深度神经网络(dual optimized deep neural network,DODNN)参数估计方法,以最小化双拉伸指数模型的参数残差和扩散加权信号残差为目标,优化神经网络权重,以准确地估计IVIM模型参数。实验结果表明:相比于次优方法,DODNN方法在低信噪比下的扩散和灌注系数误差降低14.17%。此外,双拉伸指数IVIM模型各参数具有最低的变异系数(coefficient of variation,CV)、最大的参数对比度噪声比(parameter contrast to noise ratio,PCNR),证明其可为早期疾病精准诊断提供更多的辅助信息。展开更多
文摘体素内不相干运动(intravoxel incoherent motion,IVIM)是目前唯一不需要造影剂的医学成像技术。但现有的双指数成像模型无法反映扩散和灌注运动的非高斯特性,且IVIM参数的拟合方法很容易受噪声干扰并难以泛化。故针对此问题建立了双拉伸指数模型,并设计了双驱动深度神经网络(dual optimized deep neural network,DODNN)参数估计方法,以最小化双拉伸指数模型的参数残差和扩散加权信号残差为目标,优化神经网络权重,以准确地估计IVIM模型参数。实验结果表明:相比于次优方法,DODNN方法在低信噪比下的扩散和灌注系数误差降低14.17%。此外,双拉伸指数IVIM模型各参数具有最低的变异系数(coefficient of variation,CV)、最大的参数对比度噪声比(parameter contrast to noise ratio,PCNR),证明其可为早期疾病精准诊断提供更多的辅助信息。
