DF-QSM:基于数据真实性的混合方法,用于改进大脑的定量敏感性映射

科学领域:

• 医疗成像医学成像
• 计算神经科学是一种神经科学.
• 生物物理学的生物物理.

背景情况:

• 定量敏感度映射 (QSM) 是一种关键的MRI技术,用于量化组织磁性敏感度.
• 深度学习 (DL) 在QSM中表现有前途,但由于数据偏差,它往往受限于概括性.
• 现有的基于DL的QSM方法需要改进以获得更广泛的适用性.

研究的目的:

• 开发一种混合,两步重建方法,以提高基于DL的QSM的通用性.
• 改进DL预测的灵敏度图,以提高与测量的MR场的一致性.
• 根据现有的QSM技术验证拟议的方法.

主要方法:

• 一个混合的两步重建框架,将DL预测与本地现场一致性集成在一起.
• 在开发的框架内对DL生成的易感性地图的改进.
• 使用大脑MRI数据集进行验证,并与已建立的DL和基于模型的DL QSM方法进行比较.

主要成果:

• 混合方法在各种MRI采集设置中证明了QSM重建质量的提高.
• 即使在有限的数据上训练的DL模型中也观察到更好的性能.
• 该方法成功地改进了易感性地图预测,以获得更好的现场一致性.

结论:

• 拟议的混合重建方法显著提高了基于DL的QSM的概括性和准确性.
• 这种方法为改善QSM在各种临床和研究场景中提供了强大的解决方案.
• 这些发现表明,对于更可靠的定量核磁共振扫描来说,这是一个有希望的方向.