基于深度学习从多延迟后标记动脉自旋标记 MRI 加速脑血流量与动脉转运时间图估计
图像与视频处理
2022-06-15 v1 机器学习
摘要
目的：动脉自旋标记（ASL）灌注成像可实现脑血流量（CBF）的直接且绝对测量。动脉转运时间（ATT）是反映标记自旋到达感兴趣脑区所需时长的相关生理参数。多延迟后标记（PLDs）可提供 CBF 和 ATT 的稳健度量，从而允许基于 ATT 优化局部 CBF 建模。延长的采集时间可能降低 CBF 和 ATT 估计的质量与精度。我们提出一种新颖网络，以更高信噪比（SNR）显著减少 PLD 数量。方法：分别对单 PLD 和双 PLD 进行 CBF 和 ATT 估计。每个模型独立训练以学习从灌注加权图像（PWI）到 CBF 和 ATT 图像的非线性变换。结果：单 PLD 和双 PLD 模型在 CBF 上视觉上均优于常规方法，且双 PLD 模型在 ATT 估计上显示出更精确的结构。所提方法在 ATT 上将 PLD 数量从 6 显著减至 2，在 CBF 上甚至减至单 PLD，且不牺牲 SNR。结论：利用深度学习以高质量生成减少 PLD 数量的 CBF 和 ATT 图是可行的。
引用
@article{arxiv.2206.06372,
title = {Acceleration of cerebral blood flow and arterial transit time maps estimation from multiple post-labeling delay arterial spin-labeled MRI via deep learning},
author = {Yiran Li and Ze Wang},
journal= {arXiv preprint arXiv:2206.06372},
year = {2022}
}