优化量化大脑扩散-放松MRI采集协议,使用基于物理的机器学习
Álvaro Planchuelo-Gómez1, Maxime Descoteaux2, Hugo Larochelle3
1Cardiff University Brain Research Imaging Centre (CUBRIC), School of Psychology, Cardiff University, Cardiff, United Kingdom; Imaging Processing Laboratory, Universidad de Valladolid, Valladolid, Spain.
Medical image analysis
|March 12, 2024
概括
这项研究引入了基于物理的机器学习框架,以优化扩散-放松MRI协议. 该方法显著缩短了扫描时间,同时保持了对脑组织特征的准确定量参数估计.
科学领域:
- 医疗成像医学成像
- 生物物理学的生物物理.
- 机器学习 机器学习
背景情况:
- 扩散-放松MRI提供了定量微结构组织特性.
- 目前的方法需要很长的获取时间,限制了临床效用.
- 优化测量子集对于高效的MRI协议至关重要.
研究的目的:
- 开发一个基于物理学的学习框架,用于选择最佳的扩散-放松MRI测量.
- 通过智能子集选择来实现更短的获取时间.
- 预测未测量的信号并准确估计定量参数.
主要方法:
- 实施了基于物理的机器学习框架,使用体内和合成大脑5D-扩散-T1-T2*权重的MRI数据.
- 对比基于物理的方法与数据驱动的方法,手动选择和克拉梅尔-拉奥下限优化.
- 利用六名健康受试者的数据进行培训,验证和测试.
主要成果:
- 基于物理学的方法确定了测量子集,在模拟中产生了更准确的参数估计.
- 与完整的协议相比,五倍短的协议导致估计的定量参数的误差最小.
- 选择的子集有利于对特定的反转时间,回声时间和b值进行更密集的采样.
结论:
- 拟议的框架有效地结合了机器学习和MRI物理,以优化协议.
- 可以开发更短的扩散-放松MRI协议,而不会影响参数估计和信号预测质量.
- 这种方法提供了一个有前途的策略,使用MRI有效地表征大脑组织.
