A Deep Autoencoder for Fast Spectral-Temporal Fitting of Dynamic Deuterium Metabolic Imaging Data at 7T
Notice bibliographique
Résumé
Deuterium metabolic imaging (DMI) is a non-invasive magnetic resonance spectroscopic imaging technique enabling in vivo mapping of glucose metabolism. Dynamic DMI provides time-resolved metabolite maps and allows spatially resolved fitting of metabolic models to capture metabolite concentration dynamics. However, conventional fitting tools often require long processing times for high-resolution datasets, limiting their practical utility. To address this bottleneck, we propose a deep autoencoder (DAE) for rapid spectral-temporal fitting of dynamic DMI data, supporting arbitrary parametric model constraints to describe metabolite concentration dynamics. The DAE was benchmarked against spectral-temporal fitting using FSL-MRS and LCModel. Fitting accuracy was evaluated on in vivo and synthetic whole-brain dynamic DMI data acquired at 7T using Bland-Altman metrics, Pearson correlation coefficients, structural similarity index measures, and root mean squared errors for both metabolite concentrations and model constraint parameters. The DAE achieved processing times of 0.29 ms per voxel, corresponding to an acceleration of more than three orders of magnitude compared to LCModel/FSL-MRS (0.55 s/0.65 s per voxel). On in vivo data, it showed excellent agreement with LCModel, and on synthetic data, it consistently outperformed both reference methods across all evaluation metrics. The proposed DAE enables accurate spectral-temporal fitting for whole-brain dynamic DMI scans within less than a second, matching or exceeding the performance of conventional state-of-the-art fitting methods. This makes it a promising tool for integration into efficient post-processing pipelines for research and clinical DMI workflows.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».