使用基于模型的深度神经网络与合成训练数据加速CEST成像
Jianping Xu1, Tao Zu1, Yi-Cheng Hsu2
1Key Laboratory for Biomedical Engineering of Ministry of Education, Department of Biomedical Engineering, College of Biomedical Engineering & Instrument Science, Zhejiang University, Hangzhou, People's Republic of China.
Magnetic resonance in medicine
|October 23, 2023
概括
一个新的深度神经网络,CEST-VN,从低样本数据中重建高质量的化学交换和转移 (CEST) MRI 图像. 该方法的性能优于现有技术,为诊断提供准确的胺质子转移权重图.
科学领域:
- 磁共振成像技术 磁共振成像技术
- 生物医学工程 生物医学工程
- 医疗成像中的人工智能
背景情况:
- 化学交换和转移 (CEST) MRI对于评估组织生理学至关重要.
- 在CEST MRI中采集不足的数据导致图像质量恶化.
- 开发先进的重建方法对于高效的CEST成像是至关重要的.
研究的目的:
- 开发基于模型的深度神经网络 (CEST-VN) 以高质量重建低采样多线圈CEST数据.
- 为了利用深度学习先验和多线圈灵敏度编码来改进CEST图像重建.
主要方法:
- 将 CEST 图像重建方程展开为深度神经网络 (CEST-VN),灵感来自变异网络.
- 整合一个k空间数据共享块和3D空间频率卷积内核.
- 通过使用多池Bloch-McConnell模拟和使用CEST特定损失函数进行训练来合成多线圈CEST数据.
主要成果:
- 在健康和脑瘤受试者中,CEST-VN生成了高质量的CEST源图像和胺质子转移权重图.
- 该方法始终优于GRAPPA,盲压缩传感和原始变化网络 (VN).
- 即使增加加速因子 (3至6) 时,也可以实现准确的重建,而不会显著地损失细节或增加文物.
结论:
- 拟议的CEST-VN方法可以从高度低采样的多线圈数据中获得高质量的CEST成像.
- 深度学习先验和多线圈灵敏度编码模型的整合是有效的.
- CEST-VN显示了在神经成像中改善诊断能力的巨大潜力.
