化学交换的动态和快速深度合成和转移和半固体磁化转移MRI信号

科学领域:

• 医疗成像医学成像
• 生物物理学的生物物理.
• 计算生物学 计算生物学

背景情况:

• 基于模型的分析对于医学成像至关重要,特别是在磁共振成像 (MRI) 中.
• 复杂的分子MRI模型,如Bloch-McConnell模型,由于长时间的模拟时间,面临着计算挑战.
• 这些局限性阻碍了先进的分子MRI技术的临床应用和传播.

研究的目的:

• 开发基于深度学习的系统,以快速准确地模拟分子MRI数据.
• 通过加速模型模拟来克服分子MRI中的计算瓶.
• 为各种MRI应用验证深度学习生成的合成数据的实用性.

主要方法:

• 训练了一个深度学习系统,以捕捉布洛赫-麦康奈尔模型的非线性动态.
• 该系统生成了用于分子MRI模拟的合成数据.
• 生成的数据应用于化学交换和转移 (CEST) 和磁化转移 (MT) 分析.

主要成果:

• 深度学习方法实现了数据合成时间的63-99%加速.
• 生成的合成数据与基本真相有很好的一致性 (皮尔森的r > 0.99).
• 该方法被证明适用于in-silico,in-vitro和in-vivo成像研究.

结论:

• 深度学习为加速分子MRI模拟提供了强大的解决方案.
• 快速合成数据生成可促进CEST和MT成像中的高级分析和量化.
• 这种方法有望提高分子MRI的临床实用性和可访问性.