PINNing脑血流:使用物理信息的神经网络对婴儿输液MRI的分析
Christoforos Galazis1,2, Ching-En Chiu2,3, Tomoki Arichi4
1Department of Computing, Imperial College London, London, United Kingdom.
Frontiers in network physiology
|March 3, 2025
概括
一种新的AI方法,SUPINN,使用动脉脊柱标记MRI准确估计婴儿的大脑血流. 这一进步通过克服数据噪声和复杂性,改善了早产婴儿的神经评估.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 动脉脊柱标记 (ASL) MRI对于婴儿大脑输液测量至关重要.
- 使用ASL的婴儿大脑血流 (CBF) 的估计是具有挑战性的,因为生理复杂性和数据限制.
研究的目的:
- 开发一个新的物理信息神经网络 (PINN) 从婴儿ASL数据准确的多参数估计.
- 为了解决由网络生理学,参数不确定性和数据噪声引起的CBF估计方面的挑战.
主要方法:
- 提出了一个基于空间不确定性的物理信息神经网络 (SUPINN),具有多分支架构.
- SUPINN估计了区域和全球参数,根据区域空间不确定性加权信号.
- 评估了SUPINN与最小平方和标准PINN的性能.
主要成果:
- SUPINN可靠地估计了CBF,玻尿酸到达时间 (AT) 和血液纵向放松时间,准确度提高.
- 实现了CBF的相对误差,AT的相对误差为-4.4,放松时间为28.9.
- 生成生理上可信且空间上平滑的CBF和AT地图,优于现有方法.
结论:
- 从有噪音的婴儿ASL数据中证明了PINNs的成功适应,用于精确的多参数输液估计.
- SUPINN为了解婴儿心脑生理学提供了一个强大的框架.
- 可能有助于早期检测和管理脆弱婴儿的神经疾病.
