利用基于深度学习的磁化率源分离磁共振成像技术对帕金森病患者进行体内铁分布映射

《npj Parkinson's Disease》：In-vivo iron mapping in patients with Parkinson’s disease using deep learning-based susceptibility source separation MRI

　　

摘要

帕金森病（PD）伴随病理性铁积累，然而如R₂*或磁化率（χ）等MRI指标缺乏机制特异性，因为它们同时涵盖了顺磁性和反磁性物质。我们采用了一种人工智能辅助的χ分离框架，该框架结合了基于深度学习（DL）的预处理技术和生物物理建模方法，以更高精度地检测顺磁性铁。25名PD患者和26名匹配的对照组接受了3T多参数MRI检查。基于深度学习的χ分离（χ-separation_DL）将顺磁性磁化率成分（χ_para，即铁的标志物）从总磁化率χ中分离出来，揭示了传统基于磁化率的方法无法检测到的变化：在背侧运动前皮层和黑质致密部，χ_para显著升高（分别升高6.3%和10.2%，P值分别为0.032和0.024）；此外，运动前皮层中的χ_para水平与疾病持续时间呈正相关（相关系数r = 0.41，P = 0.045）。与传统的基于优化的χ分离方法相比，基于深度学习的预处理在区分PD患者和对照组方面的效果并不逊色，这表明人工智能增强的χ分离技术具有在帕金森病磁化率成像中应用的潜力。

.toUpperCase