χ-sepnet:用于磁感应源分离的深度神经网络

科学领域:

• 神经成像是一种神经成像.
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 定量敏感度映射 (QSM) 方法,如磁性敏感度源分离 (χ-分离) 估计大脑的磁性和磁性源.
• 传统的QSM患有条纹文物,需要耗时的数据采集,以准确地绘制易感性映射.
• 现有的方法在解决易感分布方面面临挑战,需要广泛的成像协议.

研究的目的:

• 开发基于深度学习的新型管道,以减少工件和提高灵敏度源分离的准确性.
• 提出两个管道: χ-sepnet- (使用GRE和自旋回声数据) 和 χ-sepnet- (仅使用GRE数据).
• 在健康受试者和多发性硬化症患者中,与传统方法对比,评估这些管道的性能.

主要方法:

• 开发一个深度学习网络, χ-sepnet,训练在从多个头部方向的无工件数据上.
• 实施两条管道: χ-sepnet- 和 χ-sepnet- ,使用多回声GRE和可选的多回声旋回声数据.
• 在健康人群中进行定性和定量评估,并在多发性硬化症患者中分析病变特征.

主要成果:

• 拟议的深度学习管道产生了高质量的 χ 分离图,与传统方法相比,文物大幅减少.
• χ-sepnet- 和 χ-sepnet- 在量化分析中表现出卓越的性能,优于基于规范化的重建.
• 多发性硬化病变的准确分类为偏磁性和偏磁性亚型 (分别有99.6%和98.4%的一致性).

结论:

• 基于深度学习的易受性源分离管道 (χ-sepnet) 在图像质量和文物减少方面提供了显著的改进.
• χ-sepnet- 管道,只需要多回声GRE数据,显示出广泛的临床和科学应用的巨大潜力.
• 对各种疾病和病理状况进行进一步评估是有必要的,以充分确定临床效用.