通过P-Informed深度CESTMRI在脑瘤中进行非侵入性高分辨率体内pH映射
Jan-Rüdiger Schüre1,2, Junaid Rajput1, Manoj Shrestha3
1Institute of Neuroradiology, University Hospital Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Germany.
NMR in biomedicine
|May 15, 2025
概括
这项研究引入了一种深度学习模型,使用先进的成像技术预测脑瘤中的细胞内pH (pHi). 新方法提供更高分辨率的pHi地图,比传统方法更快.
科学领域:
- 医疗成像医学成像
- 生物物理学的生物物理.
- 人工智能的人工智能
背景情况:
- 细胞内pH值 (pHi) 对于理解脑瘤病理至关重要.
- 传统的P-MRS用于pH测量具有空间分辨率和扫描时间的限制.
- 基于H的APT-CEST成像提供了更好的分辨率和更快的扫描,用于pH估计.
研究的目的:
- 开发和验证一个完全连接的神经网络,从基于H的CEST数据直接预测P-pH地图.
- 为了比较新型深度学习方法的性能与传统的CEST指标和P-MRS.
- 评估模型在揭示瘤异质性和捕获独特的pH信息方面的能力.
主要方法:
- 一个完全连接的神经网络使用来自11名脑瘤患者的CEST和T1数据进行了voxel-wise训练.
- 该网络预测了31个P-pH值,并对4名测试患者进行了验证.
- 预测的pH图与P-MRS测量和传统的CEST指标进行了比较.
主要成果:
- 深度学习模型显示了预测和测量P-pH地图之间的一般对应,瘤区域的RMSE为0.04pH单位.
- 高分辨率的预测显示了传统的CEST数据中没有明显的瘤异质性.
- 该模型成功地利用了APT-CEST隐藏的pH敏感性,提供了比P-MRS更高分辨率的pH图.
结论:
- 与P-MRS.31相比,开发的deepCEST pHi神经网络可以实现更高空间分辨率的pHi映射,扫描时间更短.
- 这种方法为临床环境中的3DpH成像提供了一个有前途的工具.
- 未来的研究可以通过结合额外的CEST特征来增强模型,以提高准确性和临床效用.
