在7T时基于深度学习的全脑B₁+映射

科学领域:

• 磁共振成像 (MRI) 是一种磁共振成像技术.
• 医疗成像中的人工智能
• 无线电频率 (RF) 场校准

背景情况:

• 传输磁射频场 (B1+) 的准确估计对于定量MRI至关重要,特别是在像7T这样的高场强度下.
• 对于并行传输 (pTx) 技术来实现均的射频激发,对特定主体的B1+校准至关重要.
• 传统的B1+映射方法可能耗时,限制其临床适用性.

研究的目的:

• 调查使用复杂值神经网络 (NN) 快速B1+地图估计的可行性.
• 为了使B1+估计从多切片定位器扫描不同切片方向在7T的人类头部.
• 为了加快对 pTx MRI 应用的特定对象B1+校准.

主要方法:

• 在7T的15名健康受试者中获取通道智能的B1+地图和多切片定位器 (轴向,斜向,冠状).
• 使用五倍交叉验证训练四个复杂值的NN配置,包括一个对所有切片方向进行训练.
• 预测的B1+地图与使用定量指标的参考扫描以及使用动态kt点脉冲的体内测试进行验证.

主要成果:

• 预测的B1+地图与不同方向的测量地图具有很高的相似性.
• 大小中的平均相对误差很低:2.70±2.86% (横向),1.82±0.69% (斜面),和1.33±0.27% (冠状).
• 一个在所有方向上受过训练的网络展示了强大的B1+预测,使得在体内均刺激成为可能.

结论:

• 复杂值的NN是可行的估计多切片B1+地图从定位器扫描在7T.
• 拟议的方法加快了B1+校准,提高了pTxMRI的效率.
• 这种方法有望改善先进的MRI技术中对特定主体的射频场校准.