基于正则化流的动态对比增强磁共振成像药代动力学参数分布估计

电气工程 信息科学 人工智能 工程学 医学检验 医学影像 医学 肿瘤学
正则化流 药代动力学参数 动态对比增强磁共振成像 最大似然估计 后验分布

在现代医学诊断和临床研究中，动态对比增强磁共振成像（Dynamic Contrast-Enhanced Magnetic Resonance Imaging, DCE-MRI）技术提供了有关组织病理学的重要信息。通过拟合轨迹动力学（Tracer-Kinetic, TK）模型，可以从时间序列MRI信号中提取药代动力学（Pharmacokinetic, PK）参数。然而，这些估计的PK参数受到多种不可避免的变异来源，如信噪比（Signal-to-Noise Ratio, SNR）、本底T1时间、起始时间、动脉输入功能（Arterial Input Function, AIF）和拟合算法等的影响。这些因素导致了PK参数估计的不确定性。因此，估计这些PK参数的后验分布将有助于同时量化PK参数的值及其估计的不确定性。

本文由Ke Fang, Zejun Wang, Qi Xia, Yingchao Liu, Bao Wang, Zhaowei Cheng, Jian Cheng, Xinyu Jin, Ruiliang Bai和Lanjuan Li等人撰写，作者分别来自浙江大学信息科学与电子工程学院等多个研究机构。论文发表在2024年3月的《IEEE Transactions on Biomedical Engineering》期刊上。

研究流程与方法

本文提出了一种基于正则化流模型参数分布估计神经网络（Flow-based Parameter Distribution Estimation Neural network, FPDEN）。该模型旨在自适应学习和估计PK参数的后验分布，以提高其估计精度并量化估计的不确定性，具体研究流程包括以下几个步骤：

研究流程

  1. 数据获取与预处理：

    • 使用动态对比增强磁共振成像（DCE-MRI）技术，获取来自57位脑胶质瘤患者的DCE-MRI数据。
    • 使用多种降噪方法，如刚性变换等，保证数据质量。

  2. 仿真数据生成：

    • 使用扩展的Tofts模型生成DCE-MRI时间序列数据，从而获得严格控制的“真值”数据。

  3. 模型构建与训练：

    • 构建基于LSTM的回归网络，提取高维特征，估计PK参数的均值和方差。
    • 使用正则化流模型将简单分布映射到复杂分布，进行参数分布的学习和估计。

  4. 模型评估：

    • 使用基于最大似然估计（Maximum Likelihood Estimation, MLE）的损失函数来训练模型。
    • 对比传统线性回归及预定义分布假设的方法，验证模型在估计PK参数值和不确定性方面的表现。

  5. 临床应用：

    • 将模型应用于实际患者数据中，用于胶质瘤分级的临床任务，并引入不确定性过滤机制提高分类性能。

研究结果

  1. 模型性能：

    • 在模拟数据集中，FPDEN模型显著优于传统的回归方法（如L1和L2损失）和基于预定义分布的MLE方法。
    • 在实际患者数据中，FPDEN方法能够有效区分肿瘤边界，提高PK参数估计的准确性。

  2. 不确定性分析：

    • 模型能够根据输入数据信噪比自适应调整估计的不确定性，且不确定性与估计误差之间有显著的相关性。
    • 在固定SNR条件下，不同PK参数间的相互依赖性也通过不确定性得以揭示。

  3. 胶质瘤分级任务：

    • 引入不确定性过滤机制后，胶质瘤分级任务的分类性能显著提高，特别是在区分低级别和高级别胶质瘤方面，AUC从0.168提高到0.662。

研究结论

本文提出的FPDEN方法通过学习PK参数的后验分布，提高了参数估计的精度，同时量化了估计的不确定性。与传统方法相比，FPDEN不仅优化了参数估计，还为后续的医学应用提供了更可靠和准确的数据支持。在动态对比增强磁共振成像（DCE-MRI）数据的分析中，该方法展示出显著的潜力，尤其是在胶质瘤分级任务中显著提升了分类性能。此外，该方法灵活性高，可扩展应用到其他动态成像技术和临床任务中。

研究亮点

  1. 创新性方法：首创使用正则化流模型学习和估计PK参数的后验分布，克服了预定义分布假设引入的误差。
  2. 精确估计：通过最大似然估计（MLE）优化损失函数，提高了PK参数估计的精度。
  3. 不确定性分析：模型能够量化估计的不确定性，并在临床任务中通过不确定性过滤机制提升分类性能。
  4. 临床应用：验证了该方法在胶质瘤分级上的有效性，提供了新的研究方向和应用前景。