高分辨率的多延迟动脉旋转标签与自我监督的深度学习,对儿科胆管 perfusion MRI 的拒绝

科学领域:

• 神经成像是一种神经成像.
• 儿科放射学 儿科放射学
• 人工智能在医学中的应用

背景情况:

• 胸膜 (CP) 产生脑脊液 (CSF),这对大脑功能至关重要.
• 多延迟动脉旋转标签 (MD-ASL) 评估CP perfusion,但由于CP大小小,在儿童中具有挑战性.
• 之前的研究没有为儿科患者群体优化MD-ASL.

研究的目的:

• 开发和验证一个高分辨率 (iso2 mm) 的MD-ASL协议用于儿科CP输液评估.
• 引入基于变压器的深度学习 (DL) 模型,以消除儿童的MD-ASL图像.
• 评估DL模型的性能与改善SNR和可重复性的基准方法进行比较.

主要方法:

• 一个10分钟高分辨率 (iso2毫米) 的MD-ASL协议应用于21名典型发育的儿童 (8-17岁).
• 一个基于变压器的DL模型使用k空间加权图像平均 (KWIA) 图像进行训练.
• 通过信号对噪声比 (SNR),偏差和CP和灰质 perfusion 参数的重复性来评估性能.

主要成果:

• 变压器DL模型有效地消除了儿科MD-ASL图像,显著改善了单个延迟的SNR,并安装了输液图.
• 与KWIA,TGV规范化和Noise2Void相比,提出的方法显示出更高的性能.
• 增强的SNR有助于更好地可视化和量化儿童的CP输液.

结论:

• 开发的高分辨率MD-ASL协议和变压器DL模型能够准确地评估儿童的CP perfusion.
• 这种方法有可能用于神经发育研究,有助于描述CP和淋巴系统发育.
• 促进先进的儿科神经成像研究和临床应用.