面向Connectome 2.0扫描器的人类灰质微结构NEXI定量分析的简化协议
医学物理
2026-05-01 v2 人工智能
计算机视觉与模式识别
机器学习
图像与视频处理
摘要
生物物理扩散MRI模型如neurite Exchange Imaging（NEXI）对于探索灰质微结构至关重要，能够估计腔体扩散性、神经节分数以及交换时间。然而，NEXI的多壳、多扩散时间要求导致采集时间不可行。利用Connectome 2.0超高梯度扫描器，我们开发了一个基于可解释人工智能（XAI）框架的时间高效协议。结合XGBoost、SHAP和递归特征消除训练于合成信号的XAI模型，识别出最佳8特征子集，将扫描时间从27分钟缩短至14分钟。在七名健康受试者中进行原位验证，XAI协议与完整的15特征采集、Cram'er-Rao下界（CRLB）理论最优标准以及两种启发式方法（“Mid-Range”和“Corner”）进行了基准测试。它稳健地再现了参数估计，保持了test-retest可重复性。令人惊讶的是，XAI选择收敛于CRLB最优。这一发现验证了XAI的优化效果，同时突显了其主要优势：在无需复杂解析Jacobian的情况下实现金标准优化，适用于数值模型或复杂噪声情境，其中CRLB难以计算。此外，XAI在原位实验中的鲁棒性优于启发式方法：“Mid-Range”抽样因时间多样性不足导致交换时间估计偏差，而“Corner”抽样由于噪声敏感性，导致内神经节扩散性估计不稳定（5倍更高的CV）。最终，这个稳健的14分钟协议加速了交换敏感的微结构映射，建立了一个模型无关的优化框架，可适用于未来的超高梯度系统和现有临床扫描仪。
引用
@article{arxiv.2509.09513,
title = {Reduced NEXI protocol for the quantification of human gray matter microstructure on the Connectome 2.0 scanner},
author = {Quentin Uhl and Tommaso Pavan and Julianna Gerold and Kwok-Shing Chan and Yohan Jun and Shohei Fujita and Aneri Bhatt and Yixin Ma and Qiaochu Wang and Hong-Hsi Lee and Susie Y. Huang and Berkin Bilgic and Ileana Jelescu},
journal= {arXiv preprint arXiv:2509.09513},
year = {2026}
}
备注
Submitted to Imaging Neuroscience. This all-in-one version includes supplementary materials. 34 pages, 145 figures, 4 tables