基于机器学习利用静息态功能磁共振估算局部脑血流量
图像与视频处理
2019-11-20 v1 信号处理
神经元与认知
摘要
灌注 MRI 是许多脑成像方案中的重要模态，因为它探查衰老与多种疾病中的脑血管变化；然而，它并非总是可用。在此我们引入一种方法，试图通过机器学习利用静息态功能磁共振（rsfMRI）的频谱信息来估算局部灌注特性。我们使用来自同一批认知正常（NC；n = 45）与轻度认知障碍（MCI；n = 26）老年人的 rsfMRI 与动脉自旋标记（ASL）图像对，并建立支持向量机模型，旨在仅从 rsfMRI 信号估算局部脑血流量（CBF）。该方法显示，与使用频率 [0.01-0.10] Hertz 和 [0.01-0.20] Hertz 相比，使用频率 [0.01-0.15] Hertz 的 rsfMRI 信号时，估算 CBF 与实际 CBF（ASL-CBF）在总脑叶灰质（r = 0.40；FDR-p = 1.9e-03）、顶叶（r = 0.46，FDR-p = 8e-04）和枕叶（r = 0.35；FDR-p = 0.01）处的关联更高。我们进一步观察到估算 CBF 与实际 CBF 在 24 个感兴趣区（p < 0.05）中的显著关联，其中在上顶叶观察到最高关联（r = 0.50，FDR-p = 0.002）。此外，上顶叶的估算 CBF 与简易精神状态检查（MMSE）评分显著相关（r = 0.27；FDR-p = 0.04），且在 MCI 中较 NC 组 MMSE 评分更低时下降（FDR-p = 0.04）。总体而言，这些结果表明所提出的框架可从 rsfMRI 获得局部灌注的估算值，在无 ASL 时可作为替代灌注度量。
引用
@article{arxiv.1907.08145,
title = {Estimating regional cerebral blood flow using resting-state functional MRI via machine learning},
author = {Ganesh B Chand and Mohamad Habes and Sudipto Dolui and John A Detre and David A Wolk and Christos Davatzikos},
journal= {arXiv preprint arXiv:1907.08145},
year = {2019}
}
备注
20 pages, 6 main figures or tables, 4 supplementary figures or tables