Optimization of Multi-modal Relaxometry MR Acquisitions for Estimating Quantitative Brain Microstructure Parameters
DOI:
https://doi.org/10.61467/2007.1558.2026.v17i5.1191Keywords:
Magnetic Resonance Imaging, Acquisition Protocol Optimization, Myelin Fraction Estimation, Memetic Algorithm, Combinatorial Optimization, imagen por resonancia magnética, optimización del protocolo de adquisición, estimación de la fracción de mielinaAbstract
This study addresses the optimization of MRI acquisition protocols to improve the estimation of brain microstructure descriptors, with a focus on the myelin fraction. The problem is formulated as a binary optimization task with constraints, where each decision variable encodes whether a specific repetition time is included in the protocol. Each candidate protocol is evaluated through an objective function that quantifies the relative error in the estimation of the myelin fraction. Different approximated optimization strategies were analyzed, including local search and memetic algorithms with and without explicit diversity control. Under realistic acquisition conditions, population-based strategies outperformed both local search and fixed reference protocols, reducing the relative estimation error by over 30%. These findings highlight the potential of systematic optimization in MRI acquisition protocol design.
Spanish-language metadata / Metadatos en español
Título en español:
Optimización de adquisiciones de relaxometría multimodal por RM para estimar parámetros cuantitativos de la microestructura cerebral
Resumen:
Este estudio aborda la optimización de protocolos de adquisición de resonancia magnética (RM) con el objetivo de mejorar la estimación de descriptores de la microestructura cerebral, con especial atención a la fracción de mielina. El problema se formula como una tarea de optimización binaria con restricciones, en la que cada variable de decisión codifica si un tiempo de repetición específico se incluye o no en el protocolo.
Cada protocolo candidato se evalúa mediante una función objetivo que cuantifica el error relativo en la estimación de la fracción de mielina. Se analizaron distintas estrategias aproximadas de optimización, entre ellas la búsqueda local y algoritmos meméticos con y sin control explícito de la diversidad.
Bajo condiciones realistas de adquisición, las estrategias basadas en poblaciones superaron tanto a la búsqueda local como a los protocolos de referencia fijos, reduciendo el error relativo de estimación en más de un 30 %.
Estos resultados ponen de manifiesto el potencial de la optimización sistemática en el diseño de protocolos de adquisición de RM.
Palabras Claves:
imagen por resonancia magnética, optimización del protocolo de adquisición, estimación de la fracción de mielina, algoritmo memético, optimización combinatoria
Smart citations:
References
Aguilar-Salinas, A., Ramírez-Manzanares, A., Ruiz-Olais, R., & Segura, C. (n.d.). mri-p-optimization [Computer software]. GitHub. Retrieved September 2, 2026, from the GitHub repository.
Alexander, D. C. (2008). A general framework for experiment design in diffusion MRI and its application in measuring direct tissue-microstructure features. Magnetic Resonance in Medicine, 60(2), 439–448. DOI 10.1002/mrm.21646
Andria, G., Attivissimo, F., Cavone, G., & Lanzolla, A. M. L. (2009). Acquisition times in magnetic resonance imaging: Optimization in clinical use. IEEE Transactions on Instrumentation and Measurement, 58(9), 3140–3148. DOI 10.1109/TIM.2009.2016888
Bandala Álvarez, D., & Pérez González, J. (2023). Estimación del mapa de anisotropía fraccional y difusividad media en materia blanca utilizando transformers. Research in Computing Science, 152(8), 209–220.
Bao, Z., & Watanabe, T. (2009). A novel genetic algorithm with cell crossover for circuit design optimization. In 2009 IEEE International Symposium on Circuits and Systems (pp. 2982–2985). IEEE. DOI 10.1109/ISCAS.2009.5118429
Braskie, M. N., & Thompson, P. M. (2014). A focus on structural brain imaging in the Alzheimer's Disease Neuroimaging Initiative. Biological Psychiatry, 75(7), 527–533. DOI 10.1016/j.biopsych.2013.11.020
Buxton, R. B. (2009). Introduction to functional magnetic resonance imaging: Principles and techniques (2nd ed.). Cambridge University Press. DOI 10.1017/CBO9780511605505
Canales-Rodríguez, E. J., Pizzolato, M., Piredda, G. F., Hilbert, T., Kunz, N., Pot, C., Yu, T., Salvador, R., Pomarol-Clotet, E., Kober, T., Thiran, J.-P., & Daducci, A. (2021). Comparison of non-parametric T2 relaxometry methods for myelin water quantification. Medical Image Analysis, 69, 101959. DOI 10.1016/j.media.2021.101959
Canales-Rodríguez, E. J., Pizzolato, M., Yu, T., Piredda, G. F., Hilbert, T., Radua, J., Kober, T., & Thiran, J.-P. (2021). Revisiting the T2 spectrum imaging inverse problem: Bayesian regularized non-negative least squares. NeuroImage, 244, 118582. DOI 10.1016/j.neuroimage.2021.118582
Cárdenes Almeida, R., Muñoz Moreno, E., Tristán Vega, A., & Martín Fernández, M. (2008). Una herramienta para el procesado y visualización de imágenes de resonancia magnética de tensor de difusión. In XXVI Congreso Anual de la Sociedad Española de Ingeniería Biomédica (pp. 9–12).
Conversano, F., Greco, A., Casciaro, E., Ragusa, A., Lay-Ekuakille, A., & Casciaro, S. (2012). Harmonic ultrasound imaging of nanosized contrast agents for multimodal molecular diagnoses. IEEE Transactions on Instrumentation and Measurement, 61(7), 1848–1856. DOI 10.1109/TIM.2012.2192354
Eiben, A. E., & Smith, J. E. (2003). Introduction to evolutionary computing. Springer. DOI 10.1007/978-3-662-05094-1
Escorza Aguilar, A. M. (2016). Protocolo para analizar diffusion tensor imaging (DTI) del cerebro humano [Master's thesis, Universidad de Sevilla]. idUS.
Hernández Riveros, J. A., Dorado de la Calle, J., Gestal Pose, M., & Porto Pazos, A. B. (2007). Avances en algoritmos evolutivos. In J. J. Romero Cardalda, C. Dafonte Vázquez, Á. Gómez García, & F. J. Penousal Martins Machado (Eds.), Inteligencia artificial y computación avanzada (pp. 35–54). Fundación Alfredo Brañas.
Jack, C. R., Jr., Barnes, J., Bernstein, M. A., Borowski, B. J., Brewer, J., Clegg, S., Dale, A. M., Carmichael, O., Ching, C., DeCarli, C., Desikan, R. S., Fennema-Notestine, C., Fjell, A. M., Fletcher, E., Fox, N. C., Gunter, J., Gutman, B. A., Holland, D., Hua, X., . . . Weiner, M. (2015). Magnetic resonance imaging in Alzheimer's Disease Neuroimaging Initiative 2. Alzheimer's & Dementia, 11(7), 740–756. DOI 10.1016/j.jalz.2015.05.002
Jenkinson, M., & Chappell, M. (2018). Introduction to neuroimaging analysis. Oxford University Press.
Jiménez Lozano, G. (2009). Optimización. Universidad Nacional de Colombia, Sede Manizales.
León, G., Espinal, A., Soria-Alcaraz, J. A., & Sotelo-Figueroa, M. A. (2025). Micro differential evolution algorithm with self-adaptation for numerical optimization. In P. Melin & O. Castillo (Eds.), Modern artificial intelligence based on soft computing techniques (pp. 257–265). Springer. DOI 10.1007/978-3-031-88279-1_17
Liu, S., Wang, H., Peng, W., & Yao, X. (2024). Surrogate-assisted evolutionary algorithms for expensive combinatorial optimization: A survey. Complex & Intelligent Systems, 10(4), 5933–5949. DOI 10.1007/s40747-024-01465-5
Lugo, L., Segura, C., & Miranda, G. (2022). A diversity-aware memetic algorithm for the linear ordering problem. Memetic Computing, 14(4), 395–409. DOI 10.1007/s12293-022-00378-5
Manes, F. (2014). Usar el cerebro (4.ª ed.). Planeta.
Martí, R. (2003). Procedimientos metaheurísticos en optimización combinatoria. Matemàtiques, 1(1), 3–62.
Moscato, P., & Cotta, C. (2003). A gentle introduction to memetic algorithms. In F. Glover & G. Kochenberger (Eds.), Handbook of metaheuristics (pp. 105–144). Kluwer Academic Publishers. DOI 10.1007/0-306-48056-5_5
Neri, F., & Cotta, C. (2012). Memetic algorithms and memetic computing optimization: A literature review. Swarm and Evolutionary Computation, 2, 1–14. DOI 10.1016/j.swevo.2011.11.003
Osman, I. H., & Kelly, J. P. (Eds.). (1996). Meta-heuristics: Theory and applications. Kluwer Academic Publishers. DOI 10.1007/978-1-4613-1361-8
Tang, J., Lim, M. H., & Ong, Y. S. (2007). Diversity-adaptive parallel memetic algorithm for solving large scale combinatorial optimization problems. Soft Computing, 11(9), 873–888. DOI 10.1007/s00500-006-0139-6
Tritrakarn, T., Takahashi, M., & Okamura, T. (2024). Optimization of RF coil geometry for NMR/MRI applications using a genetic algorithm. Journal of Magnetic Resonance, 362, 107685. DOI 10.1016/j.jmr.2024.107685
Wright, G. A., Hu, B. S., & Macovski, A. (1991). Estimating oxygen saturation of blood in vivo with MR imaging at 1.5 T. Journal of Magnetic Resonance Imaging, 1(3), 275–283. DOI 10.1002/jmri.1880010303
Wright, G. A., Nishimura, D. G., & Macovski, A. (1991). Flow-independent magnetic resonance projection angiography. Magnetic Resonance in Medicine, 17(1), 126–140. DOI 10.1002/mrm.1910170117
Yu, T., Canales-Rodríguez, E. J., Pizzolato, M., Piredda, G. F., Hilbert, T., Fischi-Gomez, E., Weigel, M., Barakovic, M., Bach Cuadra, M., Granziera, C., Kober, T., & Thiran, J.-P. (2021). Model-informed machine learning for multi-component T2 relaxometry. Medical Image Analysis, 69, 101940. DOI 10.1016/j.media.2020.101940
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 International Journal of Combinatorial Optimization Problems and Informatics
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
