CEST-KAN: Kolmogorov-Arnold Networks for CEST MRI Data Analysis

本研究旨在提出并探讨使用Kolmogorov-Arnold网络（KAN）进行CEST MRI数据分析（CEST-KAN）的可行性。方法：在3T下从12名健康志愿者中获取CEST MRI数据。其中10名受试者的数据用于训练，另外两名用于测试。评估和比较了具有相同网络设置的多层感知器（MLP）和KAN模型的性能，并与传统的多池Lorentzian拟合（MPLF）方法生成水和多个CEST对比度（包括酰胺，中继核Overhauser效应（rNOE）和磁化转移（MT））进行比较。结果：MLP和KAN生成的水和CEST图与MPLF结果在视觉上相似。然而，KAN模型在外推CEST拟合指标方面表现更准确，这表现在训练期间较小的验证损失和测试期间较小的绝对误差。基于体素的相关分析显示，KAN生成的所有四个CEST拟合指标始终比MLP结果具有更高的Pearson系数，表明其性能更好。此外，尽管训练时间更长，但KAN模型在不同隐藏层数量下始终优于MLP模型。结论：本研究首次证明了利用KAN进行CEST MRI数据分析的可行性，并强调了其在此任务中优于MLP的优越性。这些发现表明，CEST-KAN有潜力成为临床设置中CEST MRI的强大和可靠的后分析工具。

本文旨在提出并研究使用Kolmogorov-Arnold网络（KAN）进行CEST MRI数据分析（CEST-KAN）的可行性。具体而言，论文试图比较KAN和多层感知器（MLP）模型在生成水和多个CEST对比度方面的性能。

论文的关键思路是使用KAN模型来分析CEST MRI数据，与传统的多池洛伦兹拟合（MPLF）方法进行比较。实验证明，KAN模型在外推CEST拟合指标方面具有更高的准确性。

论文使用12名健康志愿者的CEST MRI数据进行实验，并将数据分为训练集和测试集。实验结果表明，KAN模型的性能优于MLP模型，并且在不同的隐藏层数量下表现出一致的优势。此外，KAN模型的CEST拟合指标与MPLF方法的结果相当。论文的实验数据和代码已经公开。

在CEST MRI数据分析领域，近期的相关研究包括：“Deep learning for CEST MRI: a review”和“CEST MRI in glioma: applications and challenges”。