基于物理信息神经网络的脑血流估计：应用于婴儿颅内血流MRI分析
计算机视觉与模式识别
2024-10-29 v1 人工智能
摘要
动脉自标记（Arterial spin labeling, ASL）磁共振成像（MRI）可用于脑血流（cerebral blood flow, CBF）测量，这对于检测和管理早产儿或产后并发症后的婴儿神经问题至关重要。然而，由于脑血流在婴儿ASL中的估计面临网络生理学中复杂相互作用的挑战——包括心输出与脑血流之间的动态相互作用，以及参数不确定性和数据噪声问题。我们提出了一种新的基于空间不确定性的物理信息神经网络（Physics-Informed Neural Network, PINN），称为SUPINN，用于从婴儿ASL数据估计CBF及其他参数。SUPINN采用多分支体系结构，能够同时估计多个脑素区域和全局模型参数。它计算区域空间不确定性以加权信号。SUPINN可可靠地估计CBF（相对误差 ）、血流到达时间（bolus arrival time, AT）(）和血液长itudinal relaxivity时间（）(），超越了基于最小二乘法或标准PINN的参数估计结果。此外，SUPINN产生了生理上合理的空间平滑的CBF和AT图。我们的研究表明，成功地将PINNs修改用于从噪声和有限ASL数据中进行准确的多参数血流估计。诸如SUPINN之类的框架有望促进我们对复杂心脑网络生理学的理解，助力疾病的检测和管理。源代码已提供：https://github.com/cgalaz01/supinn。
引用
@article{arxiv.2410.19759,
title = {PINNing Cerebral Blood Flow: Analysis of Perfusion MRI in Infants using Physics-Informed Neural Networks},
author = {Christoforos Galazis and Ching-En Chiu and Tomoki Arichi and Anil A. Bharath and Marta Varela},
journal= {arXiv preprint arXiv:2410.19759},
year = {2024}
}