从流量补偿和非流量补偿扩散编码数据对脑内Intravoxel不连贯运动参数估计方法的比较
Oscar Jalnefjord1,2, Isabella M Björkman-Burtscher3,4
1Department of Medical Radiation Sciences, Institute of Clinical Sciences, Sahlgrenska Academy, University of Gothenburg, Gothenburg, Sweden.
Magnetic resonance in medicine
|February 6, 2024
概括
带有空间先验的贝叶斯算法通过结合流量补偿 (FC) 和非流量补偿 (NC) 数据,在扩散MRI (dMRI) 中提供了强大的intravoxel不连贯运动 (IVIM) 参数估计. 深度学习方法也显示出改善IVIM分析的希望.
科学领域:
- 医疗成像医学成像
- 神经科学是一个神经科学.
- 生物物理学的生物物理.
背景情况:
- 对扩散MRI (dMRI) 数据的Intravoxel Incoherent Motion (IVIM) 分析对于理解组织微观结构性质至关重要.
- 对流量补偿 (FC) 和非流量补偿 (NC) 的dMRI数据的联合分析提高了IVIM参数估计的稳定性.
研究的目的:
- 评估和比较五种不同的方法,用于联合分析FC和NCdMRI数据,用于IVIM参数估计.
- 用真实和模拟数据评估这些方法在健康的人类大脑组织中的性能.
主要方法:
- 五种IVIM分析方法进行了比较:非线性最小平方拟合,细分拟合,贝叶斯式与均先验,贝叶斯式与空间先验以及深度学习.
- 数据包括健康受试者的脑部dMRI和各种噪音水平的模拟数据.
- 使用双极扩散编码,b值从0-200秒/毫米2和流量加权因子高达2.35秒/毫米.
主要成果:
- 用空间先前分布的贝叶斯算法和基于深度学习的算法证明了关键IVIM参数 ( 和 ) 的可比或优异的测量可重复性,估计偏差和可变性.
- 仅仅贝叶斯算法就显示了参数的优势.
- 这些先进的方法超过了其他评估的技术.
结论:
- 建议在健康大脑中联合IVIM分析FC和NCdMRI数据时使用包含空间先前信息的贝叶斯算法.
- 基于深度学习的算法为未来的IVIM分析提供了一个有希望的替代方案.
关键词:
第四十一章 没有了这就是为什么MRI是MRI.扩散扩散是一种扩散.模型配件 模型配件perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion perfusion 这是一个非常重要的方法,它可以让一个人成为一个非常重要的角色,一个非常重要的角色,一个非常重要的角色,一个非常重要的角色,一个非常重要的角色,一个非常重要的角色,一个非常重要的角色,一个非常重要的角色
