基于物理的深度学习重建用于超快的临床3D流体减弱反转恢复脑MRI
Shohei Fujita1,2, Dominik Nickel3, Wei-Ching Lo4
1Athinoula A. Martinos Center for Biomedical Imaging, Massachusetts General Hospital, Boston, MA 02129, United States.
Radiology advances
|October 8, 2025
概括
用于3D FLAIR MRI的物理信息深度学习 (DL) 显著改善图像质量并减少扫描时间. 这种先进的DL重建可以与当前的定量分析方法互换.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 神经成像技术的神经成像技术
背景情况:
- 基于物理的深度学习 (DL) 显示了加速MRI扫描的潜力.
- 对于3D流体减弱反转恢复 (FLAIR) 序列的DL验证是有限的.
- 3D FLAIR MRI对于评估脱髓化疾病至关重要.
研究的目的:
- 为了比较基于DL的3D FLAIR的诊断质量与平行成像 (Wave-CAIPI) FLAIR中的波控别名.
- 评估DL-FLAIR和波-CAIPI-FLAIR在临床3T脑MRI设置中的可互换性.
- 在这两种技术之间评估定量指标,如病变和区域大脑体积.
主要方法:
- 预计将招募88名参与者,他们正在接受脱髓化疾病的评估.
- 在3T获得波-CAIPI FLAIR和DL重建的卡特西安FLAIR.
- 四名神经放射学家对图像质量,显著性和文物进行评估,并进行定量比较.
主要成果:
- 与波-CAIPI-FLAIR相比,DL-FLAIR将扫描时间缩短了30% (1:53比2:50) 波-CAIPI-FLAIR.
- DL-FLAIR显示出优越的整体图像质量,解剖显眼性,病变显眼性和更少的文物 (P < .001).
- 在DL-FLAIR和Wave-CAIPI-FLAIR之间的病变数量和体积方面,观察到高度一致性和可互换性.
结论:
- 3D-FLAIR的深度学习重建提供了更好的图像质量和更短的扫描时间.
- DL-FLAIR与量化评估的最先进技术保持了良好的协议和可互换性.
- 这证实DL-FLAIR作为临床神经成像的有希望的加速MRI技术.
