Publicacions - FIDMAG, Fundació per a la recerca

US DE COOKIES
Utilitzem cookies necessàries de sistema per al correcte funcionament de la web i cookies opcionals de Google Analytics per obtenir estadístiques de visita. +info

Configuració cookies

Necessàries

Les cookies necessàries són absolutament essencials perquè el lloc web funcioni correctament. Aquesta categoria només inclou galetes que garanteixen funcionalitats bàsiques i funcions de seguretat del lloc web. Aquestes cookies no emmagatzemen cap informació personal.

Nom	Proveïdor	Propietat	Finalitat	Caducitat
_GRECAPTCHA	google.com	Propia	Proveir protecció antispam amb el servei reCaptcha	6 mesos
cc_cookie_accept	fidmag.org	Propia	Usada per confirmar que l'usuari ha confirmat / refusat les cookies (i quins tipus accepta)	1 any
WEB_SESSION	fidmag.org	Propia	Cookie técnica: cookie de sessió PHP. Guarda l'id de sessió d'usuari.	al acabar la sessió

Anàlisi

Les cookies analítiques s'utilitzen per entendre com interactuen els visitants amb el lloc web. Aquestes cookies ajuden a proporcionar informació sobre mètriques, el nombre de visitants, el percentatge de rebots, la font del trànsit, etc.

Nom	Proveïdor	Propietat	Finalitat	Caducitat
_ga	Google Analytics	De tercers	Cookie d'anàlisi o mesurament: Identifica els usuaris i proporciona informació sobre com els usuaris troben la pàgina web i com la utilitzen per a realització d'Informes estadístics	2 anys
_gat_gtag_UA_141706552_1	Google Analytics	De tercers	Cookie d'anàlisi o mesurament: Tracking per part de google per google analytics	1 minut
_gid	Google Analytics	De tercers	Cookie d'anàlisi o mesurament: S'usa per limitar el percentatge de sol·licituds	24 hores
_guid	linkedin	De tercers	Identifica de manera única els visitants per a finalitats d’anàlisi.	90 dies
AnalyticsSyncHistory	linkedin	De tercers	Emmagatzema informació sobre la sincronització de dades amb serveis d’anàlisi.	30 dies
bcookie	linkedin	De tercers	Identifica dispositius de forma única per motius de seguretat i detecció d’abús.	2 anys
li_gc	linkedin	De tercers	Desa el consentiment de l’usuari sobre l’ús de cookies no essencials.	6 mesos
li_mc	linkedin	De tercers	Emmagatzema dades d’identificadors per a la sincronització i segmentació publicitària.	2 anys
liap	linkedin	De tercers	Manté l’estat d’inici de sessió dels usuaris de LinkedIn.	1 any
lidc	linkedin	Propia	Utilitzada per al balanç de càrrega entre servidors per assegurar el bon funcionament de LinkedIn.	24 hores
UserMatchHistory	linkedin	De tercers	Emmagatzema informació sobre visites per realitzar retargeting publicitari.	30 dies

Configurar Rebutjar totes Acceptar Totes

Inici
> Recerca

Tornar als resultats

FI
3.654

33422828

2021 Medical Image Analysis

Model-informed machine learning for multi-component T(2) relaxometry

Yu T, Canales-Rodríguez EJ, Pizzolato M, Piredda GF, Hilbert T, Fischi-Gomez E, Weigel M, Barakovic M, Bach Cuadra M, Granziera C, Kober T, Thiran JP

Servei limitat a col·laboradors/res de la xarxa de centres de Germanes Hospitalàries. Rebreu un missatge al vostre correu-e amb un enllaç per a la descàrrega del present article.

Abstract

Recovering the T(2) distribution from multi-echo T(2) magnetic resonance (MR) signals is challenging but has high potential as it provides biomarkers characterizing the tissue micro-structure, such as the myelin water fraction (MWF). In this work, we propose to combine machine learning and aspects of parametric (fitting from the MRI signal using biophysical models) and non-parametric (model-free fitting of the T(2) distribution from the signal) approaches to T(2) relaxometry in brain tissue by using a multi-layer perceptron (MLP) for the distribution reconstruction. For training our network, we construct an extensive synthetic dataset derived from biophysical models in order to constrain the outputs with a priori knowledge of in vivo distributions. The proposed approach, called Model-Informed Machine Learning (MIML), takes as input the MR signal and directly outputs the associated T(2) distribution. We evaluate MIML in comparison to a Gaussian Mixture Fitting (parametric) and Regularized Non-Negative Least Squares algorithms (non-parametric) on synthetic data, an ex vivo scan, and high-resolution scans of healthy subjects and a subject with Multiple Sclerosis. In synthetic data, MIML provides more accurate and noise-robust distributions. In real data, MWF maps derived from MIML exhibit the greatest conformity to anatomical scans, have the highest correlation to a histological map of myelin volume, and the best unambiguous lesion visualization and localization, with superior contrast between lesions and normal appearing tissue. In whole-brain analysis, MIML is 22 to 4980 times faster than the non-parametric and parametric methods, respectively.