Spectro-ViT:使用光谱图进行GABA编辑的MEGA-PRESS重建的视觉转换器模型.
Gabriel Dias1, Rodrigo Pommot Berto2, Mateus Oliveira1
1School of Electrical and Computer Engineering, University of Campinas, Campinas, Brazil.
Magnetic resonance imaging
|July 28, 2024
概括
本研究介绍了Spectro-ViT,一种视觉变压器模型,可以使用更少的样本准确地重建GABA编辑的磁共振光谱 (MRS) 数据. 这加快了扫描时间,而不会影响数据质量.
科学领域:
- 神经成像是一种神经成像.
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 磁共振光谱 (MRS) 对于非侵入性量化大脑代谢物至关重要.
- 获取高质量的MRS数据通常需要大量的瞬态,导致长时间的扫描时间.
- 减少扫描时间对于改善患者舒适度和增加数据采集吞吐量至关重要.
研究的目的:
- 为了评估视觉变压器 (ViT) 模型的有效性,命名为Spectro-ViT,用于从减少的瞬态数量中重建GABA编辑的MRS数据.
- 与传统方法相比,评估Spectro-ViT在数据质量和代谢物度准确性方面的性能.
- 通过先进的AI驱动数据重建,实现更快的MRS采集.
主要方法:
- 用GABA编辑的MEGA-PRESS MRS数据采用了80个瞬态,比标准的320个瞬态要少得多.
- 通过短时间里埃转换 (STFT) 预先处理并将减少的短暂数据转换为光谱图像.
- 预先训练的视觉变压器 (ViT) 进行了微调 (Spectro-ViT),并使用定量指标和代谢物度与现有的重建管道进行了比较.
主要成果:
- 与其他评估的重建管道相比,Spectro-ViT表现出优越的整体质量指标.
- 使用Spectro-ViT重建的GABA+代谢物度达到0.67的优异平均R2和9.68%的平均MAPE.
- 在Spectro-ViT重建和参考320过渡扫描之间,在代谢物度上没有观察到统计学上显著的差异.
结论:
- Spectro-ViT有效地从减少的瞬态数量中重建GABA编辑的MRS数据,从而使扫描时间显著缩短.
- 该模型在代谢物量化方面实现了高精度,与标准获取协议相比.
- 这种人工智能驱动的方法有望加速MRS获取并改善临床可行性.


