对129的深度学习重建Xe扩散加权MRI使得使用自然丰富的和改进的图像加速度成为可能
Rajagopalan Sundaresan1,2, Guilhem J Collier1,3, Neil J Stewart1,3
1POLARIS, Division of Clinical Medicine, School of Medicine & Population Health, Faculty of Health, The University of Sheffield, Sheffield, UK.
Magnetic resonance in medicine
|November 20, 2025
概括
深度学习重建提高了129扩散权重的MRI质量和可行性. 这种方法可以使用自然丰富的进行更快的扫描,从而降低肺形态测试的成本.
科学领域:
- 肺部医学 肺部医学
- 医疗成像医学成像
- 放射学 放射学是指放射学
背景情况:
- 超极化129-Xenon (129Xe) 扩散权重的MRI对肺形态测量至关重要.
- 需要加速获取技术来提高临床可行性.
研究的目的:
- 为了评估明显扩散系数 (ADC) 和扩散长度尺度 (LmD) 度量与深度学习 (DL) 的定量保存,加速了129XeMRI.
- 评估129Xe扩散权重成像使用自然丰富的在增加的加速度因子的可行性.
主要方法:
- 二十个3D压缩传感 (CS) 加速的129Xe DWMRI数据集来自阻塞性肺部疾病患者的数据集被以DL为基础的CS,denoising和de-ringing进行了回顾性重建.
- 在传统的CS和DL重建中,ADC和LMD值进行了比较.
- 预期的DL重建在健康志愿者中使用自然丰富和富进行了评估.
主要成果:
- DL重建改善了图像清晰度,信号噪声比 (SNR) 和整体质量.
- 与传统的CS相比,DL重建在ADC (5.4%) 和LmD (0.8%) 中带来了轻微的偏差.
- DL显著改善了自然丰富的的SNR,产生了与缩相比较的ADC和LmD值.
结论:
- 基于DL的CS,denoising和de-ringing可以提高129Xe DWMRI的质量和清晰度.
- 这种方法可以实现更高的加速度因子和自然丰富的的使用,提高肺形态测量的成本效益和临床可行性.
