机构名称：
¥ 1.0
磁共振成像 (MRI) 可以非侵入性地绘制大脑的代谢氧消耗 (CMRO 2 )，这对于理解和监测健康和疾病状态下的神经功能至关重要。然而，由于缺乏稳健的方法，对 MRI 氧代谢的深入研究迄今为止受到阻碍。一种绘制 CMRO 2 的 MRI 方法基于在氧气和二氧化碳的呼吸调节期间同时获取脑血流 (CBF) 和血氧水平依赖 (BOLD) 加权图像。虽然这种双校准方法在研究环境中显示出良好的前景，但当前的分析方法在存在噪声的情况下不稳定和/或计算要求高。在本文中，我们提出了一种机器学习实现，用于对双校准 fMRI 数据进行多参数评估。所提出的方法旨在解决稳定性、准确性和计算开销问题，消除使用 MRI 研究氧代谢的重大障碍。该方法利用获取的灌注和 BOLD 加权数据的时间频率变换，从中选择适当的特征向量来训练机器学习回归器。实施的机器学习方法之所以被选中，是因为它们对噪声具有鲁棒性，并且能够映射复杂的非线性关系（例如 BOLD 信号加权和血氧之间存在的关系）。极端随机树 (ET) 回归器用于估计静息血流量，多层感知器 (MLP) 用于估计 CMRO 2 和氧提取分数 (OEF)。带有加性噪声的合成数据用于训练回归器，模拟数据涵盖广泛的生理合理参数。在模拟和体内数据（n = 30）中，将实施的分析方法的性能与已发表的方法进行了比较。所提出的
一种用于双线性回归的频域机器学习方法...
主要关键词
相关文件推荐
