从DCE-MRI通过空间时间信息驱动的无监督学习改进了药理动力学参数估计
Xinyi He1, Lu Wang2, Qizhi Yang2
1Institute of Artificial Intelligence, Xiamen University, Xiamen, Fujian 361102, People's Republic of China.
Physics in medicine and biology
|September 23, 2025
概括
一种新的深度学习方法,STUDE,通过整合空间和时间数据,有效地估计动态对比增强MRI (DCE-MRI) 的药理动力学 (PK) 参数. 这种方法提高了准确性,并有助于识别质瘤突变状态.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 生物医学工程 生物医学工程
背景情况:
- 动态对比增强磁共振成像 (DCE-MRI) 产生了对于组织特性至关重要的药理动力学 (PK) 参数.
- 当前的深度学习模型通常独立分析空间或时间特征,忽视它们对DCE-MRI数据的综合影响.
- 这种限制阻碍了精确的PK参数估计及其临床实用性.
研究的目的:
- 开发一个新的深度学习框架,STUDE,它完全整合了来自DCE-MRI的空间和时间信息,以增强PK参数估计.
- 为了验证STUDE的准确性和诊断性能,与使用幻影和临床质瘤数据集的既定方法进行对比.
主要方法:
- 提出了STUDE,一种基于时空信息的无监督深度学习方法,利用CNN和视觉转换器来提取特征.
- 实现了空间时间注意力融合模块,用于适应性特征集成.
- 整合了扩展的Tofts模型,以对无监督训练施加物理约束.
- 与非线性最小平方 (NLLS) 和其他深度学习模型 (GRU,CNN,U-Net,VTDCE-Net) 进行比较的研究,对数值幻影和87名质瘤患者进行了比较.
主要成果:
- STUDE在数值幻影上的PK参数映射中实现了最低的系统和随机错误,即使在低信号噪声比率 (SNR=10dB) 中也是如此.
- 在质瘤数据上,STUDE与NLLS和其他深度学习方法相比,产生了较低噪音的参数图,结构清晰度更高.
- 研究表明,预测质瘤异酸脱酶 (IDH) 突变状态的准确性很高,AUC为Ktrans的0.840和Ve的0.908,当所有PK参数结合在一起时,进一步改善到0.926.
结论:
- STUDE代表了利用综合时空数据在使用DCE-MRI的PK参数估计方面取得的重大进展.
- STUDE的基于物理的无监督学习方法提高了准确性,并显示出在神经瘤学中临床应用的巨大潜力.
