《SCIENCE ADVANCES》：MR-AIV reveals in vivo brain-wide fluid flow with physics-informed AI
编辑推荐：
脑脊液（CSF）和组织液（ISF）的循环对于清除大脑代谢废物至关重要，其功能紊乱与神经系统疾病相关。然而，直接测量全脑范围内的流体运输，特别是在深脑区域，一直难以实现。研究人员引入了磁共振人工智能测速（MR-AIV）技术，这是一种包含专用物理信息架构和优化方法
脑脊液（CSF）和组织液（ISF）的循环对于清除大脑代谢废物至关重要，其功能紊乱与神经系统疾病相关。然而，直接测量全脑范围内的流体运输，特别是在深脑区域，一直难以实现。研究人员引入了磁共振人工智能测速（MR-AIV）技术，这是一种包含专用物理信息架构和优化方法的框架，能够从动态对比增强磁共振成像（DCE-MRI）数据中重建三维流体速度场。MR-AIV不仅揭示了全脑速度图谱，同时还提供了组织渗透率和压力场的估计，这些量是其他方法无法获得的。将MR-AIV应用于大脑，揭示了组织液和血管周围间隙（PVS）流动的功能图谱，定量地区分了缓慢的扩散主导运输[约0.1微米/秒（μm/s）]和快速的对流运输（约3 μm/s）。这种方法为研究健康和疾病状态下的大脑清除机制和流体动力学提供了新的途径，并在地球物理到组织力学等其他多孔介质系统中具有广泛的应用潜力。
本研究引入了磁共振人工智能测速（MR-AIV）技术，这是一种物理信息机器学习（PIML）框架，旨在从时间依赖的动态对比增强磁共振成像（DCE-MRI）浓度数据中推断稳定、全脑范围的速度、压力和渗透率。该框架无需直接的速度测量，即可从稀疏、有噪声的数据中推断大脑流体流动，为建模生物系统中的运输提供了一种可推广且数据高效的工具。研究人员在设计用于模拟小鼠大脑内注射示踪剂的DCE-MRI测量的合成数据上验证了MR-AIV，并观察到了良好的一致性。不确定性量化分析证明了推断速度的稳健性。利用MR-AIV，研究人员量化了五只野生型小鼠全脑的流体流动和局部Péclet数。典型的速度大小、Péclet数及其解剖学变化在小鼠之间大致相似，表明观察到的特征是稳健的。血管周围间隙（PVS）和蛛网膜下腔存在快速流动，而其他区域的流动则慢得多，这支持了PVS和蛛网膜下腔作为高速通道具有独特作用的观点。这种独特的作用进一步得到Péclet数图谱的支持：在PVS、脑室和嗅球附近的小区域，Péclet数远大于1，意味着溶质运输以对流为主；而在其他区域，Péclet数远小于1，意味着以扩散为主。流体速度似乎更多地取决于跨越四个数量级并与速度强相关的渗透率变化，而非仅跨越一个数量级的压力变化。因此，大脑似乎主要通过组织特性而非压力源来调节流动。对于每只小鼠，速度大小概率密度函数（PDF）中最大的峰值出现在约0.1 μm/s附近，对应于大部分脑实质中常见的速度；另一个峰值出现在约3 μm/s附近，对应于开放区域（如PVS）常见的速度，这与先前对穿透性和毛细血管PVS及实质速度的估计（2至5 μm/s）以及在软脑膜PVS中测量的速度（约20 μm/s）相似。PVS小于体素的事实可能导致通过体素平均的速度相对较慢。MR-AIV推断的实质速度与先前的几项估计一致，并支持了缓慢但重要的组织液（ISF）块状流动的观点。当构建不包含达西定律的模型时，预测的速度范围变小且呈单峰分布，无法区分高速通道与其他区域，这凸显了将达西定律编码到模型中的必要性。合成数据的验证表明，MR-AIV在低流速区域存在较高的误差和不确定性，在这些区域，扩散倾向于平缓浓度梯度，而对流则微弱地运输示踪剂，因此从对流推断速度的有效信噪比较低。尽管在低流速区域不确定性可能相对较大（约100%），但考虑到深部大脑流速的已发表测量数据稀缺，MR-AIV的推断仍然是有信息量的。能够估计不确定性使得未来的工作可以进行系统改进。MR-AIV通过假设观测到的浓度受对流-扩散方程、连续性方程和达西定律控制来推断渗透率、压力和速度。结合这三个方程得到两个表达式（公式4），涉及渗透率和压力（或其导数）的乘积。然而，除乘积外，渗透率和压力不单独出现，因此多个渗透率和压力组合可能产生相同的浓度和速度。在没有额外约束的情况下，推断的压力和渗透率场不是唯一的（尽管速度是）。然而，除比例因子外，渗透率和压力的空间变化被公式4完全捕获。一致性地，合成数据训练的MR-AIV模型准确地推断了空间变化。在活体中，真实渗透率未知，但从实验推断的渗透率在小鼠之间比初始猜测更相似，并且四种不同的初始猜测产生了相似的推断渗透率场，进一步支持了推断渗透率有效的观点。未来对绝对渗透率或压力的测量将消除公式4的歧义，并允许MR-AIV进行唯一推断。MR-AIV框架从预处理开始，其中获得渗透率K和速度u的初始估计，然后是初始化步骤，同时去噪浓度数据并旨在匹配初始估计，以及训练阶段，其中推断的场被精炼以满足控制物理定律。MR-AIV架构由四个专门的网络组成，分别独立建模压力、渗透率、清洁浓度信号及其相关噪声。这种结构使得达西定律和稳态假设能够被精确地结合，从而减少了稳定约束的数量并简化了训练。此外，将达西定律编码减少了要建模的变量数量，部分缓解了问题的病态性。专门用于渗透率的网络对于处理速度的多尺度性质至关重要。直接处理有噪声的实验数据，通过将测量误差建模为高斯噪声，这使得能够使用负对数似然目标函数，允许其中一个网络模块显式地学习与空间和时间相关的噪声，而另一个模块学习清洁的去噪浓度信号。然后，控制物理定律仅在此清洁信号上施加约束，而不是原始数据，防止模型拟合并显著提高了性能和鲁棒性。最后，研究人员引入了时间依赖的基于残差的注意力（TD-RBA）优化方法，该方法解决了物理残差随时间变化数个数量级的挑战。该方法使用基于物理的注意力引导优化器，有效地充当由控制方程信息的逐点自适应学习率，确保示踪剂运输的所有阶段都对最终解决方案做出有意义的贡献。MR-AIV提供了一个数据驱动的框架，用于建模大脑流体运输，无需直接速度测量，为全面、无创地表征类淋巴流动及其在衰老和神经系统疾病中的潜在改变迈进了一步。虽然这项工作展示了MR-AIV在小鼠大脑上的应用，但由于DCE-MRI已经用于临床环境且是无创的，它有可能应用于人类大脑。结果证明，该方法可以在活体内揭示生理上合理的运输模式，为研究CSF动力学和潜在地为神经退行性疾病的诊断和治疗提供信息提供了新工具。因为MR-AIV框架可推广到其他成像模式、器官系统甚至非生物流动，所以它在神经科学之外具有广泛的影响。研究结论表明，MR-AIV是一种强大的、可推广的数据驱动工具，能够从动态示踪剂成像数据中推断全脑三维速度、渗透率和压力场。该框架通过将物理定律直接编码到神经网络架构中，并结合先进的训练策略，成功地解决了这一病态逆问题。MR-AIV的应用揭示了小鼠大脑中流体动力学的关键特征，包括普遍存在的慢速扩散主导流动和快速的对流主导通道，以及渗透率对流速的显著调控作用。这项工作为深入理解大脑液体清除机制及其在疾病中的失调提供了前所未有的量化工具，并为未来将流体动力学与高分辨率脑图谱及其他成像模式相结合开辟了道路。
