在合成癌症数据集上使用深度学习预先加速超极化C MRSI

科学领域:

• 磁共振成像 (MRI) 是一种磁共振成像技术.
• 深度学习 (Deep Learning) 是一种深度学习.
• 代谢成像 - 代谢成像

背景情况:

• 超极化碳-13 (13C) 磁共振光谱成像 (MRSI) 提供了代谢洞察力,但受到长时间获取时间的限制.
• 加快13C MRSI对于临床转化和癌症研究中的更广泛应用至关重要.

研究的目的:

• 开发和验证深度学习 (DL) 方法与k空间数据保真相结合,用于加速的13C MRSI.
• 在合成癌症数据集 (包括人类大脑和前列腺瘤) 和小鼠模型上证明该方法的有效性.

主要方法:

• 基于Bloch方程的两站点交换模型被用于模拟合成MRSI数据.
• 一个DL前期被训练使用模拟数据的单一地图,并应用于重建 undersampled k-space数据.
• 该方法在各种合成瘤数据集上进行了评估,具有不同的亚样本因子和添加的高斯噪声.

主要成果:

• 与传统的压缩传感方法相比,基于DL的重建实现了更高的精度 (5-8dB更高的峰值SNR).
• 该方法在高斯噪声 (高达10% SD) 的显著水平下显示出强大的性能.
• 定量评估显示了合理的正常化平方根平均值错误.

结论:

• 提出的单数值分解 (SVD) + 代DL模型为在代谢成像中基于DL的MRI重建提供了一个一般框架.
• 该方法可以在六倍加速下对瘤形态和代谢图像进行可靠的测量.