融合物理时空先验与机器学习的多组分水MRI信号分离方法

《IEEE Transactions on Materials for Electron Devices》：Separation of Water Components from Multi-Echo MRI Data Using Deep Learning-Assisted Subspace Modeling

　　**摘要：**使用多回波自旋回波或梯度回波序列采集的MRI数据包含来自不同组织区的"编码"水信号，即髓鞘、轴突和细胞外空间。准确分离这些成分对于健康和疾病状态下的组织表征非常关键。然而，这一信号分解问题极具挑战性，因为编码矩阵的病态程度极高，导致其解对噪声和实际数据扰动（例如B?场不均匀性）非常敏感。本文提出了一种解决该问题的新方法，该方法协同整合了基于物理的时空先验和机器学习，以约束每种水成分允许的变量范围，同时提供足够的灵活性来捕捉与受试者和实验相关的信号变化。具体而言，我们引入了带有预学习频谱基的概率性子空间并集模型来强制施加时间约束，同时纳入源自基于深度学习的图像翻译的空间先验。为了进一步适应与受试者和实验相关的信号变化，采用了一种广义级联模型，将预学习的子空间模型自适应地应用于特定数据集。利用所提出的模型和学习的先验，水分离在贝叶斯统计框架下完成。数值模拟和实验评估表明，所提出的方法显著提高了估计的髓鞘、轴突和细胞外水成分的准确性。新方法将增强多组分水成像在基础神经科学和临床应用中的实用价值，同时也为分离重叠的时空信号提供了一个有用的框架。