布洛克模拟器驱动的深度循环神经网络用于磁化转移对比度MR指纹和CEST成像
Munendra Singh1, Shanshan Jiang1, Yuguo Li1
1Division of MR Research, Department of Radiology, Johns Hopkins University, Baltimore, Maryland, USA.
Magnetic resonance in medicine
|June 15, 2023
概括
这项研究引入了磁化转移对比 (MTC) MR指纹 (MRF) 的深度学习框架,可以显著加快计算速度并提高组织参数量化的准确性.
科学领域:
- 磁共振成像是一种磁共振成像技术.
- 深度学习 (Deep Learning) 是一种深度学习.
- 生物物理学的生物物理.
背景情况:
- 磁化转移对比 (MTC) 对于表征组织特性至关重要.
- MR指纹 (MRF) 提供了高效的参数映射.
- 将MTC与MRF集成,会带来计算方面的挑战.
研究的目的:
- 为MTC-MRF开发一个统一的深度学习框架.
- 为了使用MRF准确估计MTC效应.
- 将超快的布洛赫模拟器与MRF重建相结合.
主要方法:
- 开发了用于Bloch模拟和MRF重建的循环和卷积神经网络架构.
- 在3T时使用数值幻影和体内人脑扫描来评估框架.
- 评估了MTC-MRF,CEST和NOE成像,包括测试重复测试的可重复性.
主要成果:
- 与传统方法相比,Bloch深度模拟器将计算时间减少了181倍.
- 深度学习MRF重建显示出卓越的准确性和噪声强度.
- 试验复试研究显示,所有量化组织参数的重复性高 (CV <7%).
结论:
- 深度学习驱动的MTC-MRF提供了可靠和可重复的多组织参数量化.
- 该框架在临床上可行的3T扫描仪扫描时间内实现了这一目标.
- 这种方法提高了MR指纹用于MTC分析的实用性.
