Input layer regularization for magnetic resonance relaxometry biexponential parameter estimation.
Input layer regularization for magnetic resonance relaxometry biexponential parameter estimation.
复制标题
DOI：
10.1002/mrc.5289
复制
发表时间：
2022-11
影响因子：
2
通讯作者：
Spencer, Richard G.
中科院分区：
文献类型：
--
作者：
Rozowski, Michael;Palumbo, Jonathan;Bisen, Jay;Bi, Chuan;Bouhrara, Mustapha;Czaja, Wojciech;Spencer, Richard G.
已经开发了许多方法来估计双指数衰减信号的参数，这些参数出现在磁共振弛豫测量(MRR)和物理学中。这是一个本质上不适定的问题，因此估计可能强烈依赖于噪声和潜在参数值。正则化已被证明是一种非常有效的方法，可以为不适定问题提供更可靠的解决方案，而最近，神经网络已被用于参数估计。通过引入一种新的神经网络正则化形式，我们称为输入层正则化(ILR)，重新解决了双指数模型中的参数估计问题。这里，神经网络的输入由双指数衰减信号组成，该双指数衰减信号由从两个衰减时间常数的正则化非线性最小二乘估计获得的参数构造的信号构成。我们发现，ILR使时间常数估计的误差减少了15%-50%或更多，这取决于所使用的度量和信噪比水平，其中较快衰减分量的时间常数有更大的改善。ILR与现有的正则化技术是兼容的，应该适用于广泛的参数估计问题。
Many methods have been developed for estimating the parameters of biexponential decay signals, which arise throughout magnetic resonance relaxometry (MRR) and the physical sciences. This is an intrinsically ill-posed problem so that estimates can depend strongly on noise and underlying parameter values. Regularization has proven to be a remarkably efficient procedure for providing more reliable solutions to ill-posed problems, while, more recently, neural networks have been used for parameter estimation. We re-address the problem of parameter estimation in biexponential models by introducing a novel form of neural network regularization which we call input layer regularization (ILR). Here, inputs to the neural network are composed of a biexponential decay signal augmented by signals constructed from parameters obtained from a regularized nonlinear least-squares estimate of the two decay time constants. We find that ILR results in a reduction in the error of time constant estimates on the order of 15%–50% or more, depending on the metric used and signal-to-noise level, with greater improvement seen for the time constant of the more rapidly decaying component. ILR is compatible with existing regularization techniques and should be applicable to a wide range of parameter estimation problems.
登录
查看更多内容
影响因子：
2.9
作者：
Jensen, Jens H.;Helpern, Joseph A.
通讯作者：
Helpern, Joseph A.
影响因子：
3.3
作者：
Deoni, Sean C. L.;Rutt, Brian K.;Jones, Derek K.
通讯作者：
Jones, Derek K.
DOI：
10.1016/s0165-022x(99)00037-8
发表时间：
2000-01-03
影响因子：
--
作者：
Bobrovnik, SA
通讯作者：
Bobrovnik, SA
影响因子：
7.4
作者：
Devos, Olivier;Ghaffari, Mahdiyeh;Ruckebusch, Cyril
通讯作者：
Ruckebusch, Cyril
影响因子：
1.6
作者：
BISHOP, CM;ROACH, CM
通讯作者：
ROACH, CM