使用卷积神经网络进行静态并行传输设计的无监督深度学习:一项回顾性研究

科学领域:

• 磁共振成像 (MRI) 是一种磁共振成像技术.
• 医疗成像中的人工智能
• 生物物理学的生物物理.

背景情况:

• 在高场 (7T) 核磁共振中,B1+异质性是一个重大挑战,特别是在多通道发射阵列中.
• 现有的深度学习方法用于并行传输 (pTx) 脉冲设计,通常依赖于受监督的培训,并且不有效地利用多道B1+地图.
• 卷积神经网络 (CNN) 提供了处理B1+地图等复杂空间数据的潜力.

研究的目的:

• 开发和评估一种使用CNN的无监督深度学习方法,以减轻多通道传输阵列在7T的B1+不均性.
• 通过无监督培训策略,实现使用多通道B1+地图的CNN.
• 通过使用物理驱动的损失函数来消除计算参考发射射频权重的需要.

主要方法:

• 连锁的多通道B1+地图沿着空间维度用于适合CNN的移位等价值处理.
• 实施无监督训练,使用物理驱动的损失函数,最大限度地减少布洛赫模拟差异.
• 在一个数据集上训练了该模型,该数据集包括3824张来自7T获得的143名健康受试者的2D斜多通道B1+地图.
• 将拟议的方法与静态 pTx 设计的非规则化最小平方 (MLS) 解决方案进行了比较.

主要成果:

• 无监督CNN方法在减少根平均平方 (RMS) 误差和变化系数方面表现优于非规范化的MLS.
• 拟议的方法实现了与MLS解决方案相比较的能源消耗.
• 与非规则化的MLS解决方案不同,拟议的方法避免了局部相异常,防止了磁化结果中的洞.

结论:

• 与无监督的MLS相比,使用CNN的无监督深度学习为静态并行传输 (pTx) 提供了更有效和更强大的解决方案.
• 开发的方法提高了解决7T的B1+不均性的速度和稳定性.
• 这种方法使CNN能够以计算效率高的方式应用于多通道B1+映射.