综合MR指纹信息从仅大小的MR成像数据使用并行,多网络U-Net卷积神经网络合成
Kiaran P McGee1, Yi Sui1, Robert J Witte1
1Department of Radiology, Mayo Clinic, Rochester, MN, United States.
Frontiers in radiology
|January 1, 2025
概括
深度学习网络现在可以从标准MRI扫描中创建MR指纹 (MRF) 信号. 这一突破使定量放松计能够在没有专门的MRF序列的情况下进行,从而提高了可访问性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 量化MRI是指数量化的MRI.
背景情况:
- 核磁共振指纹 (MRF) 提供了精确的体内核磁共振放松计,但需要复杂的获取和处理.
- 这些局限性阻碍了MRF的广泛临床应用.
研究的目的:
- 开发一个深度学习 (DL) 网络,从传统大小的MR成像数据中合成MRF信号.
- 将DL合成的MRF信号与定量放松计的实际MRF数据进行比较.
主要方法:
- 一个U-Net DL网络在37名志愿者的3D T1加权脑MRI数据上接受了培训.
- 通过比较来自DL合成和47个解剖区域的实际MRF数据的T1和T2放松计来评估网络性能.
- 协同相关系数和平均差异是使用集群引导计算的.
主要成果:
- 对T1和T2MRF数据对的一致性相关系数分别为0.8793和0.9078.
- DL和真实放松度值之间的平均差异为T1的48.23秒,T2的2.02秒.
- 在DL合成和实际MRF放松计数据之间观察到很高的一致性.
结论:
- 深度学习可以有效地从标准MRI数据中合成MRF信号.
- 这种方法促进了定量放松计,而不需要专门的MRF脉冲序列.
- 这项研究证明了一种有前途的方法,可以更广泛地应用定量核磁共振技术.


