无监督的一维卷积神经网络（1D CNN）结合双向长短期记忆模型（bidirectional long short-term memory）以及多头注意力机制（multi-head attention），用于生成体素内不连贯的运动场（incoherent motion maps）

《MEDICAL PHYSICS》：Unsupervised 1D CNN -bidirectional long short-term memory model with multi-head attention for generating intravoxel incoherent motion maps

ivim参数估计中，传统像素级拟合方法易受噪声干扰导致参数估计不稳定。本研究提出融合1dcnn、bi-lSTM和mhams的新框架，通过改进权重初始化、噪声抑制和防止过拟合/欠拟合策略提升估计精度。模拟数据显示新方法均方根误差显著低于其他两种方法，在snr=100时与贝叶斯mrf方法相当。腹部数据验证新方法有效抑制伪扩散系数d*的过度估计，脑部数据结果符合文献范围。实验证明该模型为ivim参数估计提供了可靠解决方案。

　　

摘要

背景

体素内非相干运动（IVIM）成像是一种扩散磁共振成像技术，常用于量化组织灌注和扩散情况。然而，传统的逐像素拟合方法往往受到高噪声的影响，导致参数估计结果不可靠。

目的与方法

为了解决这一问题，提出了一种基于无监督学习的新框架，该框架结合了一维（1D）卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和多头注意力机制（MHAM）。提出了多种技术来减少随机权重初始化、噪声输入数据以及过拟合/欠拟合对IVIM参数估计的影响。使用模拟数据和实验数据对所提出方法的性能进行了评估，并将其结果与深度神经网络（DNN）方法和贝叶斯-马尔可夫随机场（MRF）方法的结果进行了比较。

结果

仿真结果表明，所提出方法的均方根误差值低于其他两种方法，表明其IVIM参数估计更为可靠。唯一的例外是在信噪比为100的情况下，其性能与贝叶斯-MRF方法相当。对于腹部数据集，所提出方法得到的IVIM参数估计值与文献报道的值非常接近，并避免了其他两种方法中观察到的伪扩散系数（D^*）的过高估计。对于脑部数据集，三种方法得到的灌注分数和扩散系数都与文献报道的范围一致；然而，只有DNN方法倾向于高估D^*。

结论

这些发现表明，所提出的CNN-BiLSTM-MHAM模型是IVIM参数估计的一种有前景的方法。

利益冲突声明

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的三个真实DW-MRI数据集可从以下链接获取：https://github.com/awetscherek/ivim_tools、https://github.com/oliverchampion/I VIMNET和https://figshare.com/articles/dataset/IVIM_dataset/3395704。所提出方法的源代码可在https://github.com/buckshuang/1D- CNN-BiLSTM-MHAM-model-for-IVIM-parameter-estimation找到。