Unpaired Deep Learning for Pharmacokinetic Parameter Estimation from Dynamic Contrast-Enhanced MRI

要約

DCE-MRI は、薬物動態パラメータの取得を通じて血管透過性と組織灌流に関する情報を提供します。
しかし、これらの薬物動態パラメータを推定する従来の方法には、トレーサー動態モデルのフィッティングが含まれており、多くの場合、ノイズの多い動脈入力関数 (AIF) 測定による計算の複雑さと精度の低さが問題となります。
これらの課題に取り組むためにいくつかの深層学習アプローチが提案されていますが、既存の手法のほとんどは、ペアの入力 DCE-MRI とラベル付けされた薬物動態パラメーター マップを必要とする教師あり学習に依存しています。
このラベル付きデータへの依存により、大幅な時間とリソースの制約が発生するだけでなく、ラベル内に潜在的なノイズが発生するため、教師あり学習方法が非現実的になることがよくあります。
これらの制限に対処するために、ここでは物理学駆動型 CycleGAN アプローチを使用して薬物動態パラメータと AIF の両方を推定するための新しい不対ディープラーニング手法を紹介します。
私たちが提案する CycleGAN フレームワークは、基礎となる物理モデルに基づいて設計されており、その結果、単一のジェネレーターとディスクリミネーターのペアを備えたよりシンプルなアーキテクチャーになります。
重要なことに、我々の実験結果は、別個のAIF測定を必要としない我々の方法が他の技術よりも信頼性の高い薬物動態パラメータを生成することを示している。

要約(オリジナル)

DCE-MRI provides information about vascular permeability and tissue perfusion through the acquisition of pharmacokinetic parameters. However, traditional methods for estimating these pharmacokinetic parameters involve fitting tracer kinetic models, which often suffer from computational complexity and low accuracy due to noisy arterial input function (AIF) measurements. Although some deep learning approaches have been proposed to tackle these challenges, most existing methods rely on supervised learning that requires paired input DCE-MRI and labeled pharmacokinetic parameter maps. This dependency on labeled data introduces significant time and resource constraints, as well as potential noise in the labels, making supervised learning methods often impractical. To address these limitations, here we present a novel unpaired deep learning method for estimating both pharmacokinetic parameters and the AIF using a physics-driven CycleGAN approach. Our proposed CycleGAN framework is designed based on the underlying physics model, resulting in a simpler architecture with a single generator and discriminator pair. Crucially, our experimental results indicate that our method, which does not necessitate separate AIF measurements, produces more reliable pharmacokinetic parameters than other techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google