深度学习辅助的临床前MR指纹采集,用于对整个大脑的分毫米T₁和T₂映射

科学领域:

• 生物医学成像技术 生物医学成像技术
• 量化MRI是指数量化的MRI.
• 机器学习在放射学中的应用

背景情况:

• 临床前磁共振指纹 (MRF) 由于器官层面覆盖的采集时间较长而受到限制.
• 高图像分辨率和低采样能力的挑战阻碍了高效的临床前MRF.
• 准确的T1和T2映射对于理解大脑组织特性至关重要.

研究的目的:

• 开发一种深度学习辅助的快速MRF框架,用于对整个大脑的T1和T2亚毫米测绘.
• 克服临床前MRF中长时间获取的局限性.
• 在9.4T临床前系统上提高定量MRI的效率.

主要方法:

• 使用单数值分解 (SVD) 压缩重建的3D MRF图像的重建.
• 在T1和T2映射中应用自我注意力辅助的残余U-Net,以减轻别名化工件.
• 使用模拟的MRF数据进行监督网络培训,绕过完全采样临床前数据的需求.

主要成果:

• 经过训练的深度学习网络证明了对实验MRF数据的适应性,从而实现了强大的T1和T2分布映射.
• 拟议的框架在减少文物和捕捉详细的大脑结构方面优于现有的快速MRF方法.
• 在20分钟的3DMRF扫描中实现了整个大脑的亚毫米参数映射,加速了六倍.

结论:

• 深度学习集成显著提高了MRF框架的效率.
• 在临床前研究中实现高分辨率,器官级定量MRI.
• 为更快,更详细的临床前脑成像研究铺平了道路.