在缺血性中风中增强胺质子转移成像,使用机器学习方法,使用部分合成数据
Malvika Viswanathan1,2, Leqi Yin1,3, Yashwant Kurmi1,4
1Vanderbilt University Institute of Imaging Science, Vanderbilt University Medical Center, Nashville, Tennessee, USA.
NMR in biomedicine
|October 22, 2024
概括
机器学习 (ML) 改进了用于中风诊断的胺质子转移 (APT) 成像,使用了新的部分合成数据. 与传统方法相比,这种方法提高了精度,减少了扫描时间.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 医学物理 医学物理
- 机器学习应用 机器学习应用
背景情况:
- 胺基质子转移 (APT) 成像对组织pH敏感,对于诊断缺血性中风至关重要.
- 传统的APT量化方法往往不准确或耗时.
- 机器学习 (ML) 为提高APT量化准确性和速度提供了一个潜在的解决方案.
研究的目的:
- 在动物中风模型中开发和评估一种ML模型,用于准确和快速的APT成像.
- 在这种情况下,研究部分合成数据对训练ML模型的有效性.
- 将ML方法与传统的APT量化技术进行比较.
主要方法:
- 一个ML模型被训练在一种新型的部分合成数据上,集成测量和模拟的化学交换和转移 (CEST) 组件.
- 为了优化,使用递归特征消除,将选定的频率偏移从69减少到13.
- 将ML模型的性能与非对称分析和洛伦兹匹配等常规方法进行了比较.
主要成果:
- 在部分合成数据上训练的ML模型准确地预测了APT效应,清楚地将中风病变与正常组织区分开来.
- 与传统量化方法相比,这种方法显著增强了对比度.
- 在完全合成或体内数据上训练的ML模型显示预测性能较差.
- 优化通过选择更少的频率偏移,显著减少了扫描时间.
结论:
- 部分合成数据为训练APT成像的ML模型提供了实用和有效的方法.
- 开发的ML方法提供了一个比传统的中风诊断技术更准确,更快的替代方案.
- 这种基于ML的策略对改善APT成像在缺血性中风检测中的临床应用具有重大前景.
