物理引导的自我监督学习,用于从常规加权脑MRI进行回顾性T₁和T₂映射:在质母细胞瘤中的技术发展和初步验证

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 量化MRI是指数量化的MRI.

背景情况:

• 定量磁共振成像 (MRI) 提供了有价值的组织特征.
• 传统的T1和T2映射方法需要特定的脉冲序列,限制了回顾性分析.
• 从传统扫描中开发回顾性定量MRI的方法对于更广泛的临床应用至关重要.

研究的目的:

• 开发和验证一种自主监督学习 (SSL) 方法,用于从标准临床MRI序列进行T1和T2值的回顾性估计.
• 评估SSL方法在脑组织和质母细胞瘤表征中的准确性,可重现性和实用性.

主要方法:

• 一个自主监督的学习框架被设计用于从T1和T2加权图像中估计T1,T2和质子密度图.
• 整合了MR物理模型,从网络输出中重建加权图像,使用重建损失和先前信息约束来优化网络.
• 该方法在健康志愿者身上得到了验证,并应用于公开的质母细胞瘤数据集,在两个扫描仪上评估可重现性.

主要成果:

• 通过SSL方法,在大脑外围细胞中的T1和T2估计中实现了较低的voxel-wise误差 (≤9%) 和各种大脑组织中的区域误差 (≤12.2%).
• 在两个扫描仪上证明了出色的可重现性,平均差异≤2.4%和相关系数>0.98.8.
• 应用到质母细胞瘤数据显示,T2值在瘤区域较高,达到高灵敏度 (0.90) 和特异性 (0.92) 来区分正常和异常组织.

结论:

• 开发的自我监督学习方法为使用临床MRI数据进行回顾性T1和T2量化提供了一个有前途的方法.
• 这种技术有可能提高定量MRI的可访问性,并改善大脑瘤的特征.