在7TMRI中预测大脑中B0场的动态,运动相关的变化,使用对象特定的精细训练的U-net
Stanislav Motyka1,2, Paul Weiser3,4, Beata Bachrata5
1High Field MR Center, Department of Biomedical Imaging and Image-Guided Therapy, Medical University of Vienna, Vienna, Austria.
Magnetic resonance in medicine
|January 9, 2024
概括
使用深度学习预测患者运动引起的磁场 (B0) 变化,可以提高MRI质量. 这种方法避免了需要专门的MRI序列,为纠正文物和增强数据均性提供了更有效的方法.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 神经科学是一个神经科学.
背景情况:
- 在MRI扫描期间患者的运动引入图像工件并降低磁场均性 (B0).
- 保持B0均性对于高质量的MRI数据采集至关重要.
- 对于对不均性敏感的MRI应用,表征B0变化是必不可少的.
研究的目的:
- 开发一种基于深度学习的方法,用于预测由于头部运动而导致的大脑B0变化.
- 为了使MRI中B0异质的回顾性或实时校正.
主要方法:
- 使用体内7T脑MRI数据训练了一个3DU-net模型.
- 输入数据包括初始和转换头部位置的B0地图和解剖图像.
- 通过测量头部位置,对每个受试者的网络重量进行了微调.
主要成果:
- 深度学习方法表现出与已建立的动态B0现场映射技术相匹配的性能.
- 与交叉导航器进行了比较,这些导航器在空间分辨率上有局限性,需要进行序列修改.
- 定性和定量分析都显示,拟议的方法和与航海员相当的方法之间具有相似的有效性.
结论:
- 从刚性主体运动中预测B0地图是可行的.
- 与外部跟踪硬件的集成可以提高MRI采集质量.
- 这种方法为改善MRI数据提供了传统导航器方法的替代方案.
