RAIDER: التعلم العميق المعتمد على التحول الكيميائي في التصوير بالرنين المغناطيسي المستقل عن التشريح

الغرض: على الرغم من التقدم الأخير، لا يزال التصوير بالرنين المغناطيسي المعتمد على التحول الكيميائي (CSE-MRI) يمثل مشكلة صعبة والعديد من الخوارزميات مكلفة حسابياً، مما أدى إلى الاهتمام بالطرق المعتمدة على التعلم العميق. ومع ذلك، استخدمت المحاولات الأولية الشبكات العصبية الالتفافية (CNNs)، التي تقتصر على متطلبات البيانات، وقابلية التعميم السيئة عبر التشريح المختلف (اعتماد التشريح) ووقت التدريب. لمعالجة هذه القيود، نقترح RAIDER، وهي طريقة سريعة، مستقلة عن التشريح، تعتمد على التعلم العميق لـ CSE-MRI. النظرية والأساليب: يستخدم RAIDER شبكتين عصبيتين متعددتي الطبقات (MLPs)، كل منهما مدرب بشكل منفصل باستخدام بيانات فوكسل فردي محاكية، مما يتجنب التدهور الذي يُواجه أثناء التدريب عند استخدام شبكة واحدة فقط. أثناء الاستدلال، يتم اختيار الحل من إحدى الشبكتين بناءً على الاحتمالية. يتم التحقيق في الأداء والسرعة في سلسلة من التجارب المحاكاة، في الفانتوم وفي vivo. النتائج: RAIDER أسرع بحوالي 700 مرة من التوافق التقليدي، حيث يستغرق 14 ميكروثانية لكل فوكسل بدلاً من 10 مللي ثانية، ويقدم أداءً مشابهًا لذلك لتوافق التقليدي. تنتج قياسات دقيقة لنسبة الدهون في الفانتوم وصور in vivo مع تشريح مختلف، على الرغم من أنها قد تم تدريبها فقط على بيانات المحاكاة. الاستنتاج: يحل RAIDER المشاكل التي تطرحها التدهور، ويتجنب متطلبات بيانات التدريب للطرق المعتمدة على CNN، ويقلل بشكل ملحوظ من التكلفة الحسابية مقارنة بالتوافق التقليدي.