블로흐-맥코넬 방정식에서 파생된 모델의 변환기 기반 매개변수 적합: CEST MRI 분석

Transformer-based Parameter Fitting of Models derived from Bloch-McConnell Equations for CEST MRI Analysis

화학적 교환 포화 전달(CEST) MRI는 대사 물질을 검출하는 비침습적 영상 기술입니다. 이는 기존 자기 공명 분광법(MRS)에 비해 더 높은 해상도와 민감도를 제공합니다. 그러나 CEST 데이터의 정량화는 어려운데, 이는 측정된 신호가 많은 생리적 변수의 복잡한 상호작용에 의해 발생하기 때문입니다. 본 연구에서는 블로흐-맥코넬 방정식에서 파생된 물리적 모델의 매개변수(예: 대사 물질 농도, 교환 및 이완 속도)를 시험관 내 CEST 스펙트럼에 적합시키기 위한 변환기 기반 신경망을 소개합니다. 자기 지도 학습을 통해 훈련된 신경망이 기존의 기울기 기반 솔버보다 훨씬 우수한 성능을 보임을 확인했습니다.

Chemical exchange saturation transfer (CEST) MRI is a non-invasive imaging modality for detecting metabolites. It offers higher resolution and sensitivity compared to conventional magnetic resonance spectroscopy (MRS). However, quantification of CEST data is challenging because the measured signal results from a complex interplay of many physiological variables. Here, we introduce a transformer-based neural network to fit parameters such as metabolite concentrations, exchange and relaxation rates of a physical model derived from Bloch-McConnell equations to in-vitro CEST spectra. We show that our self-supervised trained neural network clearly outperforms the solution of classical gradient-based solver.