Q-MRS: A Deep Learning Framework for Quantitative Magnetic Resonance Spectra Analysis

要約

磁気共鳴分光法 (MRS) は、特に中枢神経系疾患における組織代謝を研究するための確立された技術です。
MRS は強力で多用途ですが、データの品質、処理、定量化に関連する課題によって制限されることがよくあります。
既存の MRS 定量化手法は、スペクトル モデリング中にモデルの複雑さと再現性のバランスをとることが困難であり、過度の単純化または過度のパラメータ化の罠に陥ることがよくあります。
これらの制限に対処するために、この研究では転移学習を採用した深層学習 (DL) フレームワークを導入します。このフレームワークでは、モデルが生体内データで微調整される前に、シミュレートされたデータセットで事前トレーニングされます。
提案されたフレームワークは、BIG GABA リポジトリの Philips データセットに適用した場合に有望なパフォーマンスを示し、MRS データ分析における刺激的な進歩を示しています。

要約(オリジナル)

Magnetic resonance spectroscopy (MRS) is an established technique for studying tissue metabolism, particularly in central nervous system disorders. While powerful and versatile, MRS is often limited by challenges associated with data quality, processing, and quantification. Existing MRS quantification methods face difficulties in balancing model complexity and reproducibility during spectral modeling, often falling into the trap of either oversimplification or over-parameterization. To address these limitations, this study introduces a deep learning (DL) framework that employs transfer learning, in which the model is pre-trained on simulated datasets before it undergoes fine-tuning on in vivo data. The proposed framework showed promising performance when applied to the Philips dataset from the BIG GABA repository and represents an exciting advancement in MRS data analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google