在多发性硬化症中使用标准临床图像进行全脑3DT1映射,与MP2RAGE和MR指纹相比

科学领域:

• 医疗成像医学成像
• 机器学习在放射学中的应用
• 量化MRI是指数量化的MRI.

背景情况:

• 临床MRI主要使用放松加权成像,缺乏直接的定量T1/T2图.
• 像MR指纹这样的专业序列提供了改善,但缺乏广泛的临床采用.
• 量化MRI (qMRI) 方法对于健康和疾病中的组织性质评估有价值.

研究的目的:

• 开发和验证一种机器学习方法,用于从常规临床MRI序列生成大脑T1图.
• 与黄金标准和先进的qMRI技术相比,评估ML衍生T1图的准确性.
• 为了能够对现有临床成像研究中的T1值进行回顾性分析.

主要方法:

• 一名分类学习者接受了来自多发性硬化症患者的T1加权 (MPRAGE) 和T2加权 (FLAIR) 数据的培训.
• 该ML模型与黄金标准的反转恢复快旋回声T1地图进行了验证,并与MP2RAGE和MR指纹进行了比较.
• 使用临床序列和机器学习生成T1地图,然后在各种脑组织和MS病变之间进行比较.

主要成果:

• 机器学习方法与MP2RAGE表现出极好的一致性,平均组织偏差低于3.2%.
• 在MS病变中的T1值在使用ML方法的患者中显示出最小的变化 (0.1%-5.3%).
• ML方法准确地估计了多个脑组织区域的T1值.

结论:

• 机器学习有效地使用标准的临床MRI序列估计大脑T1值,为专门的qMRI提供了准确的替代方案.
• 这种方法允许从过去的研究中进行回顾性T1映射,提高现有临床数据的实用性.
• 基于机器学习的方法为评估大脑组织特性提供了有价值的工具,而不需要新的定量技术.