Physics-Informed Neural Network per l'inversione di dati di Elastografia di Risonanza Magnetica per la predizione di rigidezza del cervello

Magnetic resonance elastography (MRE) is a powerful medical imaging technique that allows for the non-invasive assessment of the viscoelastic properties of body tissues, with significant potential as a diagnostic biomarker for various neurological conditions. However, current inversion methods for estimating stiffness from MRE data face challenges related to accuracy, resolution, noise sensitivity, and computational efficiency. This thesis investigates the use of physics-informed neural networks (PINNs) for inverting MRE data to estimate brain stiffness, a method that combines the benefits of deep learning with the incorporation of physical knowledge to enhance accuracy and reduce noise sensitivity. The proposed method is first applied to a simple phantom dataset (training study) and then to in vivo human brain MRE data (testing study). The impact of including prior stiffness estimates and anatomical information from T1-weighted magnetic resonance imaging (MRI) into the PINN will be evaluated. Additionally, two optimization algorithms, Learning Rate Annealing and Multiadam, are developed to improve computational efficiency and reduce costs. Results demonstrate that the novel methods significantly outperform traditional direct and finite element inversion techniques in terms of accuracy across both studies (MAV = 277.00 for PINN vs. MAV = 1117.87 and MAV = 561.19 for two other methods). Including anatomical information enhances performance, particularly in models assuming heterogeneous tissue properties (R² = 0.87 when included, R² = 0.62 when not), while incorporating prior stiffness estimates shows potential for accelerating convergence. MultiAdam reduces the computational time required for training compared to the commonly adopted Adam (8.6 h vs. 24 h). However, challenges remain in accurately modeling the complex biomechanics of brain tissue. While the approach demonstrates promise, this work underscores the need for further research to develop more suitable physical models for brain MRE and to enhance the efficiency and reusability of PINN-based inversions for clinical feasibility.

L’elastografia a risonanza magnetica (MRE) è un’importante tecnica di imaging medicale che permette di valutare, in modo non invasivo, le proprietà viscoelastiche dei tessuti corporei, con un buon potenziale come biomarcatore diagnostico per diverse condizioni neurologiche. Tuttavia, i metodi di inversione attualmente utilizzati per stimare la rigidità dai dati MRE presentano difficoltà significative legate all’accuratezza, alla risoluzione, alla sensibilità al rumore e all’efficienza computazionale. Questa tesi testa l’applicazione di physics-informed neural networks (PINNs) per l’inversione dei dati MRE e la stima della rigidità cerebrale, un approccio che combina i vantaggi del deep learning con l’inclusione di conoscenze fisiche per migliorare l’accuratezza e ridurre la sensibilità al rumore. Il metodo proposto è stato inizialmente applicato a un semplice dataset di phantom (training study) e successivamente ai dati MRE del cervello umano in vivo (testing study). È stato valutato l’effetto dell’integrazione in una PINN di stime precedenti di rigidità e di informazioni anatomiche derivate dalla risonanza magnetica pesata in T1. Inoltre, sono stati sviluppati due algoritmi di ottimizzazione, Learning Rate Annealing e Multiadam, per migliorare l’efficienza computazionale e ridurre i costi. I risultati dimostrano che i nuovi metodi superano in modo significativo le tradizionali tecniche di inversione diretta e agli elementi finiti in termini di accuratezza in entrambi gli studi (MAV = 277,00 per PINN contro MAV = 1117,87 e MAV = 561,19 per altri metodi). L’inclusione di informazioni anatomiche migliora le prestazioni, soprattutto nei modelli che assumono proprietà dei tessuti eterogenee (R² = 0,87 se inclusa, R² = 0,62 se non inclusa), mentre l’inclusione di stime precedenti di rigidità può potenzialmente favorire una convergenza più rapida. L’algoritmo MultiAdam riduce il tempo di calcolo necessario per l’addestramento rispetto al comunemente usato Adam (8,6 ore contro 24 ore). Tuttavia, sono presenti delle limitazioni nel modellare accuratamente la complessa biomeccanica del tessuto cerebrale. Sebbene l’approccio proposto sia promettente, questo lavoro evidenzia la necessità di ulteriori ricerche per sviluppare modelli fisici più adeguati per la MRE cerebrale e per migliorare l’efficienza e il riutilizzo dei metodi di inversione tramite PINN, in vista di una loro applicabilità clinica.