一个基于物理的深度学习框架,用于动态灵敏度对比度 perfusion MRI

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 神经科学是一个神经科学.

背景情况:

• perfusion MRI对于诊断和监测神经血管和神经瘤疾病至关重要.
• 对于 perfusion MRI 的传统处理方法缺乏标准化,并且很难捕捉到详细的 perfusion 动态.

研究的目的:

• 引入基于物理的深度学习框架,用于分析动态敏感度对比度 perfusion MRI 数据.
• 使用这种新的框架,实现动态组织反应的准确恢复.

主要方法:

• 使用物理信息的神经网络 (PINNs) 来学习声素智能的组织残留函数 (TRF).
• 采用总变化和弹性净规范化,以获得稳定的网络输出.
• 从预测的残留函数计算正常化脑血流 (nCBF) 和体积 (nCBV) 参数图.

主要成果:

• 在模拟中,PINN衍生的残余函数与真函数具有很高的一致性.
• 计算的nCBF和nCBV值汇聚到真实值,对比度与噪声比增加.
• 在体内患者数据集中观察到nCBF和nCBV的高相关性和图像相似性指数.

结论:

• 基于物理学的神经网络 (PINNs) 为分析 perfusion MRI 数据提供了一个强大的方法.
• 皮恩可以准确而稳定地恢复局部血管反应功能.
• 这种方法增强了神经成像中 perfusion 动态的分析.