探索物理信息神经网络的潜力,以在扩散存在的情况下从DCE-MRI中提取血管化数据
D Sainz-DeMena1, M A Pérez1, J M García-Aznar1
1Department of Mechanical Engineering, Aragon Institute for Engineering Research (I3A), University of Zaragoza, Zaragoza, Spain.
Medical engineering & physics
|February 16, 2024
概括
基于物理学的神经网络 (PINNs) 通过结合对比剂扩散来改善动态对比增强MRI (DCE-MRI) 分析. 这种新的方法提高了组织血管化评估的准确性,特别是在复杂的瘤环境中.
科学领域:
- 医疗成像医学成像
- 计算生物学 计算生物学
- 生物物理学的生物物理.
背景情况:
- 动态对比增强磁共振成像 (DCE-MRI) 对于评估瘤学中的组织血管化至关重要.
- 现有的药理动力学 (PK) 模型往往忽略了对比剂 (CA) 扩散,限制了异质瘤的准确性.
研究的目的:
- 开发一种用于配合DCE-MRI数据的新方法,使用物理信息神经网络 (PINNs) 解释CA扩散.
- 提高DCE-MRI分析中PK建模的准确性和稳定性.
主要方法:
- 实施PINNs以适应DCE-MRI数据,同时强制执行PK模型的质量保存.
- 将PINN性能与1D扩散校正模型上的传统算法进行比较.
主要成果:
- PINNs在从扩散校正的痕迹-动力模型中检索血管化参数方面表现出卓越的准确性.
- 与其他方法相比,PINNs在处理杂或不完整的DCE-MRI数据时显示出更强大的稳定性.
结论:
- PINNs为更准确的DCE-MRI分析提供了一个有希望的方法,特别是当对比剂扩散显著时.
- 这种方法可以改善在具有挑战性的瘤应用中对组织血管化的评估.


