![Studying Metabolic Brain Connectivity Using 2-Deoxy-2-[18F]Fluoro-D-Glucose Dynamic Positron Emission Tomography at the Single-subject Level](/_next/image?url=https%3A%2F%2Fcloudfront.jove.com%2FCDNSource%2Fteasers%2F67458.jpg&w=3840&q=50)
加快化学交换和转移成像与深度展开网络和合成脑瘤数据集
Yuyan Wang1, Junjie Wen1, Jianping Xu1
1Key Laboratory for Biomedical Engineering of Ministry of Education, Department of Biomedical Engineering, College of Biomedical Engineering & Instrument Science, Zhejiang University, Hangzhou, Zhejiang, China.
Magnetic resonance in medicine
|November 5, 2025
概括
本研究介绍了MoDL-ADMM,这是一个深度学习网络,用于重建高质量的加速化学交换和转移 (CEST) 图像. 该模型成功地生成了精确的CEST源图像和胺质子转移权重 (APTw) 地图,即使在高速加速度下也是如此.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 生物医学工程 生物医学工程
背景情况:
- 加快的多通道化学交换和转移 (CEST) 成像允许更快的数据采集,但由于低采样,图像质量往往会降低.
- 从低样本的CEST数据中重建高质量的图像对于准确诊断和监测各种疾病至关重要.
研究的目的:
- 开发一种基于新型模型的深度展开网络,称为MoDL-ADMM,用于在加速的多通道CEST成像中进行卓越的图像重建.
- 创建一个大规模的合成脑瘤CEST数据集 (BraTS-CEST) 以有效训练深度学习模型.
主要方法:
- 基于模型的深度学习 (MoDL) 启发的乘数 (ADMM) 优化算法交替方向方法的展开,开发了MoDL-ADMM网络.
- 通过使用开放数据集 (BraTS,fastMRI) 和Bloch-McConnell模拟来训练网络,生成了一个名为BraTS-CEST的合成数据集.
- 基于健康志愿者和脑瘤患者的数据评估了MoDL-ADMM方法,将其性能与现有方法 (如GRAPPA,L+S,原始MoDL和CEST-VN) 在各种加速度下进行比较.
主要成果:
- 该BraTS-CEST数据集促进了网络的培训,这些网络产生了高质量的CEST图像,并减少了重建错误.
- MoDL-ADMM始终在3到6的加速率上重建了准确的CEST源图像和胺质子转移权重 (APTw) 地图.
- 废除研究证实了网络设计的有效性,包括选择性的内核网络和可学习的稀疏转换.
结论:
- 在合成 BraTS-CEST 数据集上训练的开发的 MoDL-ADMM 网络,在从低采样的多通道数据中重建高质量的 CEST 源图像和 APTw 地图方面表现出显著的能力.
- 这种方法为提高加速CESTMRI图像质量和诊断精度提供了一个有希望的解决方案.
