多回声复杂的定量敏感性映射和定量血液氧气水平依赖的幅度 (mcQSM + qBOLD或mcQQ) 映射氧气提取分数 (OEF)

科学领域:

• 生物医学成像学 生物医学成像学
• 神经科学是一个神经科学.
• 医学物理 医学物理

背景情况:

• 氧气提取分数 (OEF) 是评估神经疾病,特别是缺血性中风中的组织活力的关键生物标志物.
• 目前的临床OEF映射受到不切实际的数据采集 (PET) 和MRI技术限制的限制.
• 现有的基于MRI的QQ方法依赖于低SNR区域的不可靠的高斯噪声假设.

研究的目的:

• 引入一种新的多回声复合QQ (mcQQ) 技术,以改进OEF估计.
• 使用深度学习框架 (mcQQ-NET) 实现mcQQ,以解决现有QQ方法的局限性.
• 在模拟和临床环境中,评估mcQQ-NET与QQ-NET相比的准确性和性能.

主要方法:

• 开发mcQQ-NET,这是一个深度学习模型,用于使用复杂的多回声梯度回声 (mGRE) 信号进行OEF映射.
• 在mQQ框架内模拟现实的高斯噪声在mGRE复杂信号中.
• 在模拟,缺血性中风患者和健康人群中对mcQQ-NET和QQ-NET进行比较分析.

主要成果:

• 在模拟中,mcQQ-NET表现出比QQ-NET更高的OEF准确度.
• 在中风患者中,mcQQ-NET显示,与未受影响组织相比,病变中的OEF比率降低.
• mcQQ-NET在健康受试者中制作了统一的OEF地图,消除了低SNR地区不切实际的高OEF异常值.

结论:

• mcQQ-NET通过将现实的高斯噪声建模纳入mGRE复杂信号来提高OEF准确性.
• 改进的mcQQ-NET生物物理建模增加了对OEF异常的敏感性.
• mcQQ-NET显示出研究组织活力和指导神经系统疾病治疗策略的巨大潜力.