深度EMC-T2映射:基于回声调制曲线建模的深度学习支持的T2映射
Haoyang Pei1,2,3, Timothy M Shepherd1,2, Yao Wang3
1Bernard and Irene Schwartz Center for Biomedical Imaging, Department of Radiology, New York University Grossman School of Medicine, New York, New York, USA.
Magnetic resonance in medicine
|August 12, 2024
概括
深度EMC-T2映射使用深度学习来准确量化T2放松时间从更少的多回声旋转回声图像. 这种新的方法简化了T2映射,提高了效率,并使更高分辨率的扫描更快.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 量化MRI是指数量化的MRI.
背景情况:
- 精确的T2放松时间量化对于磁共振成像 (MRI) 分析至关重要.
- 传统的回声调制曲线 (EMC) T2映射需要大量的回声和计算密集的像素智能字典匹配.
- 现有的方法在临床应用中面临效率和速度的限制.
研究的目的:
- 开发和评估DeepEMC-T2映射,这是一个基于深度学习的框架,用于高效和准确的T2量化.
- 为了减少T2映射所需的回声的数量,而不会影响准确性.
- 克服标准EMC-T2映射的局限性,特别是需要广泛的数据和复杂的处理.
主要方法:
- 经过修改的U-Net深度学习架构被用于从多回声回旋回声 (MESE) 图像中直接估计T2和质子密度 (PD) 地图.
- 该网络包含了新的功能,以提高T2/PD估计的准确性.
- 使用67个轴向MESE数据集进行了广泛的培训和验证,在57个在不同参数下获得的冠状数据集上测试了概括性.
主要成果:
- DeepEMC-T2映射显示出高准确度,T2估计误差在1%至11%之间,PD误差在0.4%至1.5%之间,仅使用三个回声.
- 由于联合培训策略,该框架在不同的扫描方向和参数中显示出强大的通用性.
- 精度的提高与回声间距的增加和更长的回声的包含有关,所有拟议的网络特征都有助于更好的T2估计.
结论:
- DeepEMC-T2映射提供了一种简化,高效和准确的方法,可以直接从MESE图像中量化T2,从而消除了对字典匹配的需求.
- 能够以更少的回声实现准确的T2估计,有助于更快的成像协议.
- 这一进步允许在标准扫描时间内增加体积覆盖范围和/或更高的切片分辨率,从而提高临床实用性.
