与时空卷积神经网络同时进行多切片磁共振指纹的加速
Lan Lu1, Yilin Liu2, Amy Zhou1
1Department of Radiation Oncology, Cleveland Clinic, Cleveland, Ohio, USA.
NMR in biomedicine
|December 4, 2024
概括
一种新的深度学习方法加速了使用同时多切片 (SMS) 成像的磁共振指纹 (MRF) 处理. 这种方法使得更快,更准确的脑T1和T2映射具有更高的多带因子,克服别名化工件.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 磁共振指纹 (MRF) 可以定量T1和T2.
- 同时多切片 (SMS) 成像加速了MRF,但引入了别名化工件,限制了多频段 (MB) 因素.
- 深度学习对单切片MRF显示出希望,但其在SMS-MRF中的应用尚未被探索.
研究的目的:
- 为SMS-MRF引入一种新的深度学习方法.
- 通过使用高MB因子在神经成像中实现精确的体积T1和T2量化.
- 为了减轻加速SMS-MRF固有的别名化工件.
主要方法:
- 开发了一种深度学习方法,用于SMS-MRF的解时空特征学习.
- 使用获得的SMS-MRF数据和模拟数据训练的神经网络.
- 评估性能与字典匹配和剩余道注意力U-Net模型对比.
主要成果:
- 拟议的深度学习方法,在获得的SMS-MRF数据上进行训练,表现出卓越的性能.
- 超越了传统的字典匹配和剩余的道注意力U-Net.
- 实现了快速T1和T2映射,每片1.5秒的MB因子为4.
结论:
- 这种新的深度学习方法有效地解决了SMS-MRF中的别名化工件.
- 能够实现高性能,加快的定量神经成像.
- 提供了一个有前途的解决方案,用于快速准确的体积T1和T2映射.


