2023年8月7日,浙江大学白瑞良团队与瑞典林雪平大学Evren Özarslan团队在Journal of Chemical Physics杂志在线发表了最新研究成果:Using Deep Learning to Accelerate Magnetic Resonance Measurements of Molecular Exchange,该文首次提出基于深度学习,以提高参数估计准确度为直接目标函数,在指定采样率约束下优化分子交换磁共振测量的采样轨迹,该工作有助于进一步推进分子交换磁共振测量技术在临床研究中的应用。
原文链接:
https://doi.org/10.1063/5.0159343
分子从一个微环境到另一个微环境的动态迁移通常称为分子交换,实时测量分子交换对于理解分子在生物、地质等介质内的动态过程具有重要意义。例如在岩石物理学中,分子交换速率与岩石渗透性息息相关,是评估石油开采潜力的重要参数。在生物学中,微环境之间的分子交换与细胞膜渗透性和主动运输过程相关,这对理解细胞功能和活性至关重要。目前多维核磁共振光谱技术可以对复杂的分子交换系统进行全面详细的分析,并且作为一种非入侵性技术,在生物研究领域广受青睐。然而多维波普技术的采集时间较长,这限制了他们在研究人体/动物体内的应用。因此,提高分子交换磁共振测量技术的效率和准确度十分关键。本研究以扩散交换光谱(DEXSY)序列为示例,提出了一种基于深度学习优化分子交换磁共振测量采样轨迹的方法,并验证了其可行性,此外,该方法也可用于其他的分子交换磁共振测量技术,例如弛豫交换光谱(REXSY)。
图1 (a)DEXSY序列示意图。(b)基于深度学习优化DEXSY序列采样轨迹网络结构示意图。
本研究通过构建统一的网络结构(图1(b))实现以参数估计准确度直接目标函数的采样轨迹优化,该网络主要包含:(1)采样轨迹优化模块:该模块模拟DEXSY序列(图1(a))信号生成过程,根据特定的生物物理条件(生理参数,采样轨迹)生成磁共振信号;(2)生成噪声信号模块:该模块通过添加莱斯噪声模拟真实信号采过程中噪声的引入;(3)参数估计模块:该模块利用神经网络求解逆问题的优势,构建网络代替传统的拟合方法估计参数;(4)损失函数:该损失函数由估计生理参数与真实生理参数的均方误差组成,首次实现了以参数估计准确度为直接目标函数,优化分子交换磁共振测量采样轨迹优化。
本研究从三个方面对提出方法的性能进行了验证。参数估计准确度分析结果显示(图2),相比于现有研究提出的采样轨迹(图4(a)),基于本研究方法优化得到的采样轨迹采集的磁共振信号能够提供更准确的参数估计。扫描-再扫描可重复性分析结果显示(图3),无论是基于仿真数据集还是体外酵母细胞液磁共振测量数据集,本研究提出的方法参数估计的可重复性更高,对噪声的鲁棒性更强。此外,本研究定性分析了优化的采样轨迹与信噪比和采样率之间的关系(图4(b)和(c)),结果显示在不同的物理条件下,最优采样轨迹分布存在差异,证明了针对特定生物物理条件优化采样轨迹的必要性,同时采样轨迹的分布规律与先前研究和基本原理有较好的一致性,证明了该方法的合理性和可行性。
图2 参数估计准确度分析结果
图3 扫描-再扫描可重复性分析结果
图4 采样轨迹示意图。
浙江大学博士生程昭玮为第一作者,浙江大学医学院、教育部脑与脑机融合前沿科学中心白瑞良教授为通讯作者。本研究得到了国家自然科学基金、国际(地区)合作交流项目、科技部"科技创新2030"重大专项等的资助。
白瑞良,浙江大学医学院教授、邵逸夫医院双聘教授、博士生导师。国家高层次青年人才、国家科技创新2030重点研发计划青年首席科学家、杭州市海外高层次人才。主要从事脑循环功能的磁共振成像技术及临床转化研究,已发表SCI论文50余篇,以第一作者/通讯作者发表在Nature Biomedical Engineering,PNAS,Medical Image Analysis,Neuroimage 等30余篇,申请发明专利10余项,荣获了首届中国生物物理学会生物磁共振分会青年创新奖、国际医学磁共振协会青年会士等学术荣誉。
白瑞良教授研究团队合影
网站链接:https://person.zju.edu.cn/Bai_Lab
网站二维码: