通过局部强制深度学习重建实现0.55T的肝脂肪量化

科学领域:

• 医学成像
• 人工智能
• 生物医学工程

背景情况:

• 非酒精性脂肪肝 (NAFLD) 的诊断需要精确的MRI质子密度脂肪分数 (MRI-PDFF) 评估.
• 低场MRI提供了可访问性,但信号噪声比 (SNR) 较低,阻碍了精确的脂肪量化.
• 新的重建技术对于克服低场MRI的局限性至关重要.

研究的目的:

• 开发和验证基于本地低级深度学习 (LLR-DL) 的重建方法.
• 增强SNR,在低场 (0.55T) MRI中实现精确的MRI-PDFF量化.
• 提高低场MRI结果与高场 (1.5T) 评估的一致性.

主要方法:

• 实现了一种新的LLR-DL重建,在规范化的SENSE和运行复杂值数据的U-Net神经网络之间交替运行.
• 该U-Net处理了对当地的回声补丁的光谱投影,并将输出作为后续代的先验.
• 最后的回声使用多回声迪克森算法处理,对幽灵和志愿者进行0.55T的成像.

主要成果:

• 与传统方法相比,LLR-DL显著提高了图像质量,峰值SNR增加了32.7%,结构相似度增加了25%.
• 在幻影中达到2. 33%,在体内达到0. 79%的MRI- PDFF可重复性.
• 观察到狭窄的跨领域一致性极限,在幻体中低于1. 67%和体内1. 75%.

结论:

• 开发的LLR-DL重建有效地提高了低场MRI的SNR.
• 使用LLR-DL可以在0.55T时实现精确和可重复的MRI-PDFF量化.
• 这种方法对不同强度的脂肪肝进行了一致可靠的评估.