[论文解读] Transformer-based Parameter Fitting of Models derived from Bloch-McConnell Equations for CEST MRI Analysis

Christof Duhme, Chris Lippe+2 more|arXiv (Cornell University)|Feb 6, 2026

Lanthanide and Transition Metal Complexes被引用 0

一句话总结

一个基于 transformer 的神经网络在自监督下训练以拟合基于 Bloch-McConnell 方程派生的 CEST MRI 模型的参数，在 phantom 数据上优于经典求解器并提供显著的速度提升。

ABSTRACT

Chemical exchange saturation transfer (CEST) MRI is a non-invasive imaging modality for detecting metabolites. It offers higher resolution and sensitivity compared to conventional magnetic resonance spectroscopy (MRS). However, quantification of CEST data is challenging because the measured signal results from a complex interplay of many physiological variables. Here, we introduce a transformer-based neural network to fit parameters such as metabolite concentrations, exchange and relaxation rates of a physical model derived from Bloch-McConnell equations to in-vitro CEST spectra. We show that our self-supervised trained neural network clearly outperforms the solution of classical gradient-based solver.

研究动机与目标

• 通过拟合多参数物理模型，推动 CEST MRI 信号的准确量化。
• 开发一个基于 transformer 的编码器-解码器网络，在物理意义范围内预测模型参数。
• 在 phantom 数据上将所提网络与经典求解器（L-BFGS-B、Nelder-Mead、Powell）进行对比。
• 评估基于模型的 CEST 分析的鲁棒性、一致性和计算效率。

提出的方法

• 使用编码器-解码器架构，其中编码器为 transformer（8 层，8 头，隐藏维度 1024），解码器为具有 MLP heads 的 3×3 卷积网络。
• 通过 p_M(x)=c_M+d_M·tanh(f(x)) 将参数估计限定在物理模型界限内，以使模型参数落在合理范围内。
• 以自监督方式训练网络，使用模型输出与前向模型仿真的均方误差作为损失。
• 评估三种 CEST 模型：Lorentzian 多池模型（Eq. 8）、解析 Z 模型（Eq. 4）以及基于 Bloch–McConnell 方程推导的 MTRex 模型（Eq. 7）。
• 将预测结果与真实浓度或参数比值（如 f_i/R_1a）进行比较，并报告线性回归截距固定为 0 时的 R^2。
• 提供基于 GPU 的推理时间并与经典求解器（Nelder–Mead、Powell、L-BFGS-B）进行对比。

实验结果

研究问题

• RQ1 基于 transformer 的网络是否能够从基于 Bloch–McConnell 模型生成的光谱中准确恢复物理 CEST 参数？
• RQ2 与传统梯度求解器相比，自监督训练是否能提升拟合稳定性和一致性？
• RQ3 所提出的方法在 Lorentzian、解析 Z、MTRex 模型上的表现如何，计算规模又如何？
• RQ4 单数据点拟合和大体积数据时，神经网络的运行时间优势有哪些？

主要发现

• 基于 transformer 的网络在 phantom 数据上对测试模型优于经典迭代求解器（如 L-BFGS-B、Nelder–Mead、Powell）。
• 对于三种物理模型，神经网络在不同葡萄糖/乳酸浓度下的参数估计更具一致性、更加均匀。
• 基于 GPU 的推理相较于传统求解器具有显著加速（以 MTRex 模型约快 449×、解析 Z 模型约快 189×；Lorentzian 情况下超 16×）。
• 对于某些参数区间，L-BFGS-B 仍然表现出较强性能（特别是在某些模型中得到较高的 R^2），但神经网络提供了更稳定、单调的参数趋势和更低的方差。
• 该方法证明了在真实 phantom 数据上对物理约束的 CEST 模型进行端到端、自监督的参数拟合的可行性，为体内扩展铺平了道路。