通过基于深度学习的频率选择和参数估计来加速CEST MRI

科学领域:

• 生物医学成像技术 生物医学成像技术
• 机器学习在医学成像中的应用
• 分子成像学分子成像学

背景情况:

• 化学交换和转移 (CEST) MRI对代谢物检测具有敏感性,但受到长时间扫描时间的限制.
• 在CESTMRI中长时间采集是由于参数估计所需的广泛频率偏移.
• 减少频率偏移是加速CESTMRI采集的关键.

研究的目的:

• 开发和验证一个深度学习框架,以加速CEST MRI.
• 集成频率选择和参数估计,以减少扫描时间.
• 与现有技术相比,评估拟议方法的性能.

主要方法:

• 一个新的深度学习框架,利用频道修剪通过批量规范化进行信息化的频率选择.
• 为准确的参数地图预测 (APT,NOE,MT) 同时训练网络.
• 使用MR多任务与低级张量模型进行重建,用于k空间低采样.

主要成果:

• 该框架从53个中确定了13个信息频率偏移,大大缩短了获取时间.
• 基于深度学习的参数图在质量上与所有偏移的参数图相似.
• 实现了全脑CEST核磁共振扫描,时间从5:30分钟减少到1:30分钟以下.
• 超越了以前的基于费舍尔信息的选择方法.

结论:

• 拟议的深度学习框架通过智能频率选择有效地加速CESTMRI.
• 这种方法可以显著减少扫描时间,而不会影响诊断图像质量.
• 这种方法对CESTMRI的有效和实际临床实施充满希望.