基于亲和传播聚类的动态增强MRI自动动脉输入功能检测

"动脉输入函数(AIF)在动态对比增强磁共振成像(DCE-MRI)中的自动检测是医学影像分析中的关键步骤。本研究提出了一种基于亲和传播聚类(Affinity Propagation Clustering, AP)的快速版本(Fast-AP)方法，旨在实现高效且准确的AIF自动检测，降低计算成本。该方法被应用于两个DCE-MRI数据集，即大鼠肾和人头颈部的实验，以验证其有效性。" 动态对比增强磁共振成像是评估组织血流动力学和病理生理变化的重要工具，其中动脉输入函数(AIF)起着至关重要的作用。AIF代表了对比剂进入血液的浓度随时间的变化，是定量分析DCE-MRI数据的基础。然而，手动选择AIF通常耗时且易受主观因素影响，因此需要开发自动化的方法。 亲和传播聚类是一种无中心的非监督学习算法，它通过计算样本之间的相似性来寻找自然簇。Fast-AP是对原始AP算法的加速优化，旨在减少计算时间，提高处理速度。在本研究中，Fast-AP被用于识别具有相似时间-浓度曲线的像素，这些像素代表了动脉血管中的对比剂动态行为。 为了验证Fast-AP方法的有效性，研究者将其与原始AP方法、K-means聚类以及手动选择的AIF进行了比较。实验结果表明，无论是AP还是Fast-AP，这两种自动化方法都能够达到满意的AIF检测精度。然而，Fast-AP在保持高精度的同时，显著降低了计算复杂度，这对于实时或大规模数据分析尤其有利。 此外，与其他聚类方法相比，Fast-AP在检测AIF时表现出更好的稳定性和一致性。在大鼠肾和人头颈部的数据集中，Fast-AP能够准确地捕捉到动脉血管的特征，这表明该方法对于不同解剖部位和物种具有较好的适应性。 基于Fast-AP的AIF自动检测方法为DCE-MRI提供了可靠且高效的解决方案，有助于提高临床应用的效率和准确性。未来的研究可以进一步探索优化算法，以应对更复杂的成像条件和更大的数据集，同时也可以结合其他机器学习技术，如深度学习，以提高自动化AIF检测的性能。