改善了对小鼠骨髓微结构炎症诱导变化的MRI检测:一种机器学习增强的T2分布分析
Luise Brock1,2, Hadas Ben-Atya1, Ashish Tiwari1
1Faculty of Biomedical Engineering, Technion-Israel Institute of Technology, Haifa, Israel.
European radiology experimental
|March 27, 2025
概括
使用机器学习 (MIML) 的高级MRI T2分析有效检测骨髓中的炎症和铁封存. 这种非侵入性方法对诊断和监测炎症性疾病充满希望.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 磁共振成像 (MRI) 是一种磁共振成像技术.
- 机器学习在医学中的应用
背景情况:
- 炎症会导致腿部造血性骨髓的微观结构变化.
- 先进的MRI技术对于检测这些变化至关重要.
研究的目的:
- 通过使用T2加权成像,标量T2映射和机器学习增强的T2分布分析来研究炎症诱导的骨髓变化.
- 为了将MRI发现与组织学标志物和全身炎症相关联.
主要方法:
- 在小鼠中使用9.4-T磁铁进行T2加权和多切片多回声MRI序列.
- 使用标量映射和基于模型的机器学习 (MIML) 分析了T2放松时间和分布.
- 与组织学铁含量和血液中性粒细胞计数相关的发现.
主要成果:
- T2加权成像显示,炎症骨髓的信号与噪声比率降低.
- 标尺T2映射发现T2放松时间减少,与中性粒细胞数量和铁含量有适度的相关性.
- 用MIML增强的T2分布分析显示出优异的灵敏度,显示T2分布峰值显著降低,与中性粒细胞数量和铁封存有很强的相关性.
结论:
- 结合T2加权成像,标量T2映射和MIML,为骨髓重塑提供了互补的见解.
- 使用MIML进行T2分布分析是一种敏感的工具,用于检测微观结构变化,如铁封存.
- 先进的MRI T2分析和MIML显示了作为炎症疾病的非侵入性生物标志物的潜力.
