MR spectroscopy signal quantification using deep learning

Abstract

Sinais de espectroscopia por ressonância magnética nuclear são utilizados no diagnóstico de doenças importantes tais como Alzheimer, câncer, entre outras. Isso é possível através da quantificação dos metabólitos presentes nos órgãos sujeitos ao exame de espectroscopia. Porém, a presença de ruído e a sobreposição dos sinais emitidos por alguns metabólitos podem tornar o resultado da quantificação impreciso. Neste trabalho, nós implementamos e testamos diversas arquiteturas de redes neurais convolucionais para quantificar sinais de espectroscopia, e comparamos elas com o QUEST, que é a técnica estado-da-arte nessa área, utilizando o erro relativo como medida. Nossos resultados mostram que o erro das redes neurais é aproximadamente 3 vezes menor que o QUEST para sinais contaminados com ruído gaussiano e sinal de fundo. Esse resultado é promissor e mostra que Deep Learning é uma abordagem para a quantificação de sinais de espectroscopia que merece ser explorada.