基于稀疏编码的弥散微循环模型参数估计神经网络

弥散磁共振成像（Diffusion magnetic resonance imaging， dMRI）是一种重要的无创检测生物组织微观结构的医学成像工具，其中弥散微循环模型（Intravoxel incoherent motion ，IVIM）是已被广泛用于分离组织水扩散和微血管血流运动的弥散磁共振成像模型。求解弥散微循环模型参数的传统方法依赖于从多b值扩散弥散磁共振成像数据（通常≥10个b值）中拟合双指数模型，这需要一个相对较长的采集时间，对于体部弥散微循环模型成像是一个挑战。深度学习方法可以使用q空间数据的一个子集进行弥散磁共振成像模型参数估计，从而加速弥散磁共振成像的采集。然而，常见的基于卷积神经网络的深度学习与生物物理模型无关，因此，网络输出结果缺乏可解释性。本文将稀疏编码与深度学习相结合，提出了一种基于稀疏编码深度学习网络的弥散微循环模型参数估计方法。它利用了深度网络的表达优势，同时结合稀疏化表达的双指数模型来估计胎盘的弥散微循环模型参数，相比于其他算法，本文所拟的算法实现了更高的参数估计准确率和泛化能力。