在fMRI中建模动态流入效应,以量化脑脊髓液流量
Baarbod Ashenagar1,2,3, Daniel E P Gomez1,2,4, Laura D Lewis1,2,3,5
1Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology, Cambridge, MA, United States.
Imaging neuroscience (Cambridge, Mass.)
|August 13, 2025
概括
研究人员开发了一个动态模型和深度学习框架,以使用流量敏感功能性MRI (fMRI) 量化测量脑脊液 (CSF) 流量. 这使得可以从广泛可用的fMRI数据中获得物理解释的流量信号.
科学领域:
- 神经成像是一种神经成像.
- 生物物理学的生物物理.
- 医学成像分析 医学成像分析
背景情况:
- 脑脊液 (CSF) 流动对大脑健康至关重要,需要定量成像技术.
- 流量敏感功能性MRI (fMRI) 为CSF动态提供高灵敏度和时间分辨率,但缺乏定量测量.
- 现有的fMRI信号对CSF流量不是直接的定量,限制了他们的解释性.
研究的目的:
- 开发一个动态模型来模拟基于时间变化的流速的fMRI输入信号.
- 用人类和幻影数据验证模型,以准确解释fMRI输入信号.
- 创建基于物理的深度学习框架,从fMRI输入数据直接估计速度.
主要方法:
- 开发一个动态模型来模拟fMRI输入信号.
- 使用人类和幻影数据集验证动态模型.
- 实现基于物理的深度学习框架,以反转速度估计的动态模型.
主要成果:
- 动态模型准确模拟fMRI输入信号,提供对信号解释的洞察力.
- 基于物理的深度学习框架成功地从fMRI数据中直接估计了CSF流速.
- 开发的方法允许使用fMRI对CSF流动力学进行定量分析.
结论:
- 这项工作引入了一种新的方法,使用fMRI对脑脊髓液流量进行定量分析.
- 开发的动态模型和深度学习框架提高了fMRI流信号的物理解释性.
- 研究人员现在可以利用fMRI的灵敏度,时间分辨率和可用性来进行定量流量测量.
更多相关视频
11:28Concurrent EEG and Functional MRI Recording and Integration Analysis for Dynamic Cortical Activity Imaging
Published on: June 30, 2018
11.8K
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.3K
