基于模拟的推断在理论极限:快速,准确的微结构性MRI与最小扩散MRI数据

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 扩散权重磁共振成像 (dMRI) 对非侵入性大脑微观结构分析至关重要.
• 当前的dMRI协议需要长时间的采集时间,因为参数空间过量采样,限制了患者的访问和数据质量.

研究的目的:

• 开发和验证一种新的基于模拟的推理 (SBI) 方法,使用神经网络进行加速的dMRI参数估计.
• 为了证明SBI可以准确地从实验测量中近似分布扩散参数的后部分布,而无需实时数据训练.

主要方法:

• 利用神经网络进行基于模拟的推断 (SBI) 来直接近似扩散参数的后部分布.
• 在各种采样条件下,比较SBI与标准非线性最小平方的性能,包括杂和稀疏的数据.
• 将SBI应用于扩散张力成像,扩散曲解成像和轴突密度和口径的生物物理模型.

主要成果:

• 与传统方法相比,SBI实现了准确的参数估计,收购量减少了多达90%.
• SBI的表现优于标准非线性最小方程,特别是在杂和稀疏的采样条件下.
• 该方法在来自健康和病态大脑的模拟和真实数据集中展示了强度和通用性.

结论:

• SBI 提供了显著的dMRI 获取加速,潜在地扩大了对儿童等时间敏感患者的访问.
• 这种方法提高了微结构估计的准确性,并可以提高传统或低质量的dMRI数据的实用性.
• SBI集成的dMRI工作流程承诺更快,更舒适的患者检查,并有可能通过启用基于MRI的虚拟组织活检来彻底改变放射学.