Fitting a Directional Microstructure Model to Diffusion-Relaxation MRI Data with Self-Supervised Machine Learning

要約

機械学習は、拡散MRIデータに微細構造モデルを適合させるための強力なアプローチである。初期の機械学習による微細構造イメージングの実装では、既知のグランドトゥルースを持つ合成訓練データを用いて、教師ありの方法でモデルパラメータを推定するためにリグレッサーを学習させた。しかし、この方法の欠点は、学習データの選択が適合するパラメータ値に影響を与えることである。このような背景から，教師あり学習に対する代替手法として自己教師あり学習が注目されている．これまでのところ、教師あり学習も自己教師あり学習も、異方性構造の方向性も推定されるモデルとは対照的に、一般に、ボクセル内非干渉性運動（IVIM）のような等方性モデルに適用されている。本論文では、方向性を持つ微細構造モデルに対する自己教師付き機械学習モデルフィッティングを示す。特に、多次元拡散（MUDI）チャレンジの拡散-緩和データセットに、T1-ボールスティック複合モデルを当てはめる。この自己教師付きアプローチは、シミュレーションとin-vivo脳データの両方において、標準的な非線形最小二乗フィッティングと比較して、パラメータ推定と計算時間において明確な改善を示している。本研究で構築した人工神経網のコードは、以下のGitHubリポジトリから公開されています： https://github.com/jplte/deep-T1-ball-stick

要約(オリジナル)

Machine learning is a powerful approach for fitting microstructural models to diffusion MRI data. Early machine learning microstructure imaging implementations trained regressors to estimate model parameters in a supervised way, using synthetic training data with known ground truth. However, a drawback of this approach is that the choice of training data impacts fitted parameter values. Self-supervised learning is emerging as an attractive alternative to supervised learning in this context. Thus far, both supervised and self-supervised learning have typically been applied to isotropic models, such as intravoxel incoherent motion (IVIM), as opposed to models where the directionality of anisotropic structures is also estimated. In this paper, we demonstrate self-supervised machine learning model fitting for a directional microstructural model. In particular, we fit a combined T1-ball-stick model to the multidimensional diffusion (MUDI) challenge diffusion-relaxation dataset. Our self-supervised approach shows clear improvements in parameter estimation and computational time, for both simulated and in-vivo brain data, compared to standard non-linear least squares fitting. Code for the artificial neural net constructed for this study is available for public use from the following GitHub repository: https://github.com/jplte/deep-T1-ball-stick

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL