可解释的AI用于加速微结构成像:Connectome 2.0扫描仪上的SHAP引导协议

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.
• 人工智能的人工智能

背景情况:

• 扩散MRI神经元交换成像 (dNEI) 模型大脑的微观结构.
• 目前的dNEI协议需要漫长的扫描时间,限制了临床和研究应用.
• 开发高效的dNEI收购计划对于更广泛的采用至关重要.

研究的目的:

• 在Connectome 2.0扫描仪上开发和验证dNEI的减少收购方案.
• 为了显著缩短扫描时间,同时保持微观结构参数估计的准确性.
• 将优化的协议与完全获取和替代减排策略进行比较.

主要方法:

• 采用了利用可解释的人工智能 (XAI) 和递归特征消除的数据驱动框架.
• 从15个特征协议中确定了一个最佳的8个特征子集.
• 进行了体内验证和对完全获取和启发式/理论驱动方法进行比较.

主要成果:

• 简化的8个特征协议产生了参数估计和皮质地图,与完整的15个特征协议相提并论.
• 在合成数据中观察到低估值错误,对测试-重新测试可变性的影响最小.
• 优化的协议显示出卓越的稳定性,与其他减少方法相比,减少了两倍以上的水交换时间估计偏差.

结论:

• 混合优化框架可以在14分钟内高效地进行dNEI成像,并保持参数保真.
• 这种优化的协议促进了对交换敏感扩散MRI在神经科学和临床研究中的更广泛应用.
• 开发的方法为设计高效的生物物理参数映射采集协议提供了可通用的方法.