WALINET:一种水和脂质识别卷积神经网络,用于在 1 H $$ {}^1\mathrm{H} $$ MR光谱成像中的麻烦信号去除

科学领域:

• 磁共振成像是一种磁共振成像技术.
• 频谱学是一种光谱学.
• 人工智能在医学中的应用

背景情况:

• 质子磁共振光谱成像 (1H-MRSI) 提供了非侵入性的代谢映射,但面临着从脂质和水信号的光谱重叠的挑战.
• 对于高分辨率全脑1H-MRSI来说,准确地去除这些烦信号至关重要,但现有的方法耗时,可能会损害代谢物数据.
• 监督神经网络用于MRSI处理的应用,特别是用于干扰信号抑制,仍然在很大程度上未被探索.

研究的目的:

• 引入和评估一种新的深度学习方法,WALINET (水和脂质神经网络),以有效地消除全脑1H-MRSI中的水和脂质信号.
• 将WALINET的性能与传统的最先进技术进行比较,包括L2规范化和汉克尔-兰佐斯奇数值分解 (HLSVD).

主要方法:

• 为WALINET算法开发了一个修改后的Y-NET深度学习架构.
• 该方法使用模拟数据集和体内全脑1H-MRSI数据进行了验证.
• 使用信号与噪声比率 (SNR),正常化根平均平方误差 (NRMSE) 和半最大时全宽度 (FWHM) 等指标来评估性能.

主要成果:

• 在8秒内,WALINET处理了高分辨率全脑1H-MRSI,大大减少了与传统HLSVD+L2方法相比42分钟的处理时间.
• 该方法可以显著抑制脂质 (25-45倍) 和水 (34-53倍) 信号.
• 在体内,WALINET表现出卓越的性能,在脂质去除和代谢物信号保存方面产生较低的NRMSE,较高的SNR和较低的Cramer-Rao下界 (CRLB),从而提高了灰色/白色物质对比度.

结论:

• 与当前最先进的方法相比,WALINET在全脑1H-MRSI的干扰信号清除和代谢物量化方面提供了卓越的性能.
• 这种深度学习方法代表了MRSI处理的重大进步,使得自动化,高吞吐量分析成为可能.
• 这些发现表明,WALINET有可能增强利用1H-MRSI的临床应用和研究.