Posterior Estimation Using Deep Learning: A Simulation Study of Compartmental Modeling in Dynamic PET

要約

背景: 医用画像処理では、通常、画像は決定論的なものとして扱われますが、その不確実性はほとんど調査されていません。
目的: この作業は、深層学習を使用してイメージング パラメータの事後分布を効率的に推定することを目的としています。これを使用して、最も可能性の高いパラメータとその不確実性を導き出すことができます。
方法: 当社の深層学習ベースのアプローチは、変分ベイジアン推論フレームワークに基づいています。これは、条件付き変分自動エンコーダー (CVAE)、CVAE-dual-encoder および CVAE-dual-decoder に基づく 2 つの異なる深層ニューラル ネットワークを使用して実装されます。
従来の CVAE フレームワーク、つまり CVAE-vanilla は、これら 2 つのニューラル ネットワークの簡略化されたケースと見なすことができます。
これらのアプローチを、参照領域ベースの運動モデルを使用した動的脳 PET イメージングのシミュレーション研究に適用しました。
結果: シミュレーション研究では、時間活動曲線の測定を与えられた PET 動態パラメーターの事後分布を推定しました。
提案された CVAE-dual-encoder および CVAE-dual-decoder は、マルコフ連鎖モンテカルロ (MCMC) によってサンプリングされた漸近的に偏りのない事後分布とよく一致する結果をもたらします。
CVAE-vanilla は事後分布の推定にも使用できますが、CVAE-dual-encoder と CVAE-dual-decoder の両方よりもパフォーマンスが劣ります。
結論: 動的脳 PET における事後分布を推定するための深層学習アプローチのパフォーマンスを評価しました。
私たちの深層学習アプローチは、MCMC によって推定された偏りのない分布とよく一致する事後分布をもたらします。
これらのニューラル ネットワークはすべて異なる特性を持ち、特定のアプリケーション用にユーザーが選択できます。
提案された方法は一般的なものであり、他の問題にも適用できます。

要約(オリジナル)

Background: In medical imaging, images are usually treated as deterministic, while their uncertainties are largely underexplored. Purpose: This work aims at using deep learning to efficiently estimate posterior distributions of imaging parameters, which in turn can be used to derive the most probable parameters as well as their uncertainties. Methods: Our deep learning-based approaches are based on a variational Bayesian inference framework, which is implemented using two different deep neural networks based on conditional variational auto-encoder (CVAE), CVAE-dual-encoder and CVAE-dual-decoder. The conventional CVAE framework, i.e., CVAE-vanilla, can be regarded as a simplified case of these two neural networks. We applied these approaches to a simulation study of dynamic brain PET imaging using a reference region-based kinetic model. Results: In the simulation study, we estimated posterior distributions of PET kinetic parameters given a measurement of time-activity curve. Our proposed CVAE-dual-encoder and CVAE-dual-decoder yield results that are in good agreement with the asymptotically unbiased posterior distributions sampled by Markov Chain Monte Carlo (MCMC). The CVAE-vanilla can also be used for estimating posterior distributions, although it has an inferior performance to both CVAE-dual-encoder and CVAE-dual-decoder. Conclusions: We have evaluated the performance of our deep learning approaches for estimating posterior distributions in dynamic brain PET. Our deep learning approaches yield posterior distributions, which are in good agreement with unbiased distributions estimated by MCMC. All these neural networks have different characteristics and can be chosen by the user for specific applications. The proposed methods are general and can be adapted to other problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google