肌肉回归深度信息神经网络 (Myo-DINO) 用于在神经肌肉疾病中快速绘制MR参数
Leonardo Barzaghi1, Francesca Brero2, Raffaella Fiamma Cabini3
1Department of Mathematics, University of Pavia, Via Ferrata 5, 27100 Pavia, Italy; Advanced Imaging and Artificial Intelligence Center, Department of Neuroradiology, IRCCS Mondino, Foundation, Via Mondino 2, 27100 Pavia, Italy; INFN, Istituto Nazionale di Fisica Nucleare, Pavia Unit, Via Bassi 6, 27100, Pavia, Italy.
我们开发了Myo-DINO,这是一种新的深度学习模型,用于在神经肌肉疾病中高效和可解释的肌肉MRI参数映射. 这种物理信息神经网络为传统方法提供了强大的替代方案,提高了诊断能力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物物理学的生物物理.
背景情况:
- 肌肉磁共振成像 (mMRI) 参数映射传统上使用计算密集型模式识别算法.
- 现有的深度学习 (DL) 模型用于MR参数映射缺乏解释性,并且尚未应用于神经肌肉疾病 (NMD) 的mMRI.
研究的目的:
- 开发一个高效和可解释的DL模型,Myo-DINO (Myo-Regressor深度信息神经网络),用于绘制NMD中的脂肪分数 (FF),水-T2 (wT2) 和B1参数.
- 将基于物理的约束集成到DL框架中,以提高模型的可解释性和性能.
主要方法:
- 一个具有U-Net架构 (Myo-DINO) 的物理信息神经网络 (PINN) 使用来自232名NMD受试者的2165个MESE切片被开发出来.
- 实施了两个基于物理学的损失函数:循环损失1 (单指数模型) 和循环损失2 (带切片形状的扩展相图 (EPG) 理论).
- Myo-DINO接受了L2规范和物理信息组件的不同重量训练,包括自我监督的方法.
主要成果:
- 与参考地图相比,Myo-DINO 通过循环损失 2 实现了优异的性能,显示出高的重建相似性 (SSIM > 0.92,PSNR > 30.0 dB) 和低误差 (NRMSE < 0.038).
- 肌肉智能的FF,wT2和B1预测显示与参考值有很好的一致性.
- 自主监督的约束与循环损失2提高了可解释性,通过确保网络根据EPG模型假设学习.
结论:
- Myo-DINO为NMD中的mMRI参数映射提供了强大的和高效的工作流,作为现有后处理算法的可行替代方案.
- 在循环损失2中纳入的扩展相图 (EPG) 模型为这个多参数回归任务提供了最有效的物理约束.
- 基于物理的DL,特别是EPG约束和自我监督,提高了NMD研究中的MR参数映射的效率和可解释性.
更多相关视频
06:35In Vivo Electrophysiological Measurement of Compound Muscle Action Potential from the Forelimbs in Mouse Models of Motor Neuron Degeneration
Published on: June 15, 2018
11:07Engineering and Characterization of an Optogenetic Model of the Human Neuromuscular Junction
Published on: April 14, 2022
