用机器学习方法在瘤中进行胺质子转移 (APT) 成像,使用部分合成数据

科学领域:

• 生物医学成像技术 生物医学成像技术
• 机器学习 机器学习
• 量化MRI是指数量化的MRI.

背景情况:

• 机器学习 (ML) 对于在MRI中量化化学交换和转移 (CEST) 效应至关重要.
• 目前的ML训练方法面临局限性:测量数据不足或模拟偏差.
• 开发用于CEST分析的强大的ML模型需要解决这些数据挑战.

研究的目的:

• 引入一个用于生成部分合成CEST数据的平台.
• 评估使用这些数据用于训练ML模型的可行性.
• 改进使用ML对胺基质子转移 (APT) 效应的预测.

主要方法:

• 通过将模拟APT效应与测量组件相结合,生成部分合成的CEST信号.
• 多种模拟参数和应用缩放因子用于训练数据生成.
• 在部分合成,完全模拟和体内数据上训练ML模型,以预测老鼠大脑瘤中APT的影响.

主要成果:

• 在部分合成数据上训练的ML模型在组织模拟实验中准确预测了APT效应.
• 在体内实验证明了部分合成数据方法的卓越准确性和稳定性.
• 拟议的方法表现优于仅在体内或完全模拟数据上训练的模型.

结论:

• 部分合成的CEST数据有效地克服了传统的ML训练方法的局限性.
• 这种方法为基于ML的CEST量化提供了更准确和更强大的解决方案.
• 开发的平台在推进定量MRI技术方面具有重大潜力.