磁気共鳴エラストグラフィー（MRE）におけるせん断弾性率推定のための深層学習駆動型インバージョンフレームワーク（DIME） | JoVE Visualize

科学分野:

バイオメディカル工学
医用画像処理
機械学習

背景:

磁気共鳴エラストグラフィー（MRE）は、マルチモーダル直接インバージョン（MMDI）のようなインバージョンアルゴリズムを使用して組織のせん断硬度を推定します。
MMDIはヘルムホルツ方程式とラプラシアン演算子に依存しているため、ノイズや均一な媒体の仮定の影響を受けやすく、精度が制限されます。
肝線維症のような病状の診断には、堅牢で正確な硬度推定が不可欠です。

研究の目的:

MREにおけるせん断弾性率推定のための深層学習駆動型インバージョンフレームワーク（DIME）を導入し、検証すること。
従来のMMDIアルゴリズムと比較して、MRE硬度推定の堅牢性と精度を向上させること。
シミュレーションおよび生体MREデータにおけるDIMEの性能を評価すること。

主な方法:

DIMEは、小さな画像パッチを使用した有限要素モデリング（FEM）シミュレーションによって生成された変位場と硬度マップでトレーニングされました。
このアルゴリズムは、均質、不均質、および解剖学的に情報に基づいたシミュレーション肝臓MREデータセットで検証されました。
DIMEの性能は、健常者および線維症患者の生体MREデータを使用してさらに評価されました。

主要な成果:

シミュレーションでは、DIMEはばらつきが少なく、境界が正確で、真の値との相関が高い硬度マップを生成し、MMDIを上回りました。
DIMEはシミュレーション肝臓MRE（r = 0.99、R² = 0.98）で真の硬度パターンを正確に再現しましたが、MMDIは硬度を過小評価しました。
生体データでは、MMDIは方向性バイアスを示したのに対し、DIMEは真の値との相関が高く、生理学的パターンを維持していました。

結論:

DIMEは、MMDIと比較して、MRE硬度推定において優れた堅牢性と精度を示します。
深層学習アプローチは、ノイズ感度と媒体の仮定に関連するMMDIの限界を効果的に解決します。
DIMEは、MREベースの組織特性評価における信頼性の高い臨床応用の可能性を大きく示しています。