灵活且具有成本效益的深度学习用于使用相循环bSSFP的加速多参数放松计

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 神经科学是一个神经科学.

背景情况:

• 定量磁共振成像 (qMRI) 的采用受到缓慢的获取和复杂的分析的阻碍.
• 准确的参数映射对于qMRI的临床应用至关重要.
• 开发高效和灵活的qMRI框架对于广泛的临床使用至关重要.

研究的目的:

• 为了比较深度神经网络 (DNN) 和多参数 (MP) 放松计的代拟合框架,使用相循环平衡稳定状态自由前行 (pc-bSSFP) 成像.
• 评估监督DNN (SVNN),物理信息DNN (PINN) 和MIRACLE in silico和in vivo的性能.
• 评估DNN在加速数据采集和提高qMRI的稳定性方面的潜力.

主要方法:

• 用于MP放松计的SVNN,PINN和MIRACLE框架的比较.
• 在 silico 和 in vivo 评估中使用来自健康受试者的脑组织.
• 蒙特卡洛采样用于噪声模拟和DNN培训,用于各种参数分布和信号噪声比.
• 使用复杂值的MR数据用于基于DNN的加速.

主要成果:

• 与SVNNs相比,PINNs在训练数据变异方面表现出更高的一致性和稳定性.
• 通过利用复杂值的MR数据,DNN加速了数据采集的3倍.
• 使用DNNs的全脑放松计是有效的,适应性的,并显示出低成本再培训的潜力.
• 在 silico DNN 管道允许快速生成数据和培训,而不需要大量的字典或长时间的推断时间.

结论:

• 基于DNN的MP-qMRI管道为定量成像提供了灵活和快速的方法.
• 基于物理的DNN增强了qMRI参数映射的可靠性和适应性.
• 这项工作突显了轻量级机器学习在加速临床采用qMRI方面的优势.