基于端到端人工智能的 CEST/MT MR 指纹采集协议与定量深度重建自动发现框架（AutoCEST）
摘要
目的：开发一种基于自动机器学习的快速定量化学交换饱和转移（CEST）MR 指纹采集与重建协议发现方法。方法：训练一个受 MR 物理支配的 AI 系统以生成优化的采集调度及相应的定量重建神经网络。该系统（称为 AutoCEST）由 CEST 饱和模块、自旋动力学模块和深度重建网络组成，全部可微且联合连接。该方法使用多种化学交换体模及 9.4T 体内小鼠脑进行了验证。结果：AutoCEST 优化调度的采集时间为 35–71 秒，定量图像重建时间仅 29 毫秒。体模的可交换质子浓度图与已知溶质浓度在 AutoCEST 序列下吻合良好（平均绝对误差 = 2.42 mM；Pearson 相关系数 r=0.992，p0.0001），而未优化序列则不然（平均绝对误差 = 65.19 mM；Pearson 相关系数 r=-0.161，p=0.522）。类似地，相比未优化调度与 QUESP（饱和功率定量交换方法）（平均绝对误差 = 58.2 Hz；Pearson 相关系数 r=0.959，p0.0001），AutoCEST 与 QUESP 方法（平均绝对误差：35.8 Hz，Pearson 相关系数 r=0.971，p0.0001）间的交换率一致性更好。AutoCEST 体内小鼠脑半固态质子体积分数在皮层（12.211.37%）低于白质（19.73 3.30%），符合预期，且酰胺质子体积分数与交换率与既往报道一致。结论：AutoCEST 可自动生成优化的 CEST/MT 采集协议，并能快速重建为定量交换参数图。
引用
@article{arxiv.2107.04737,
title = {An End-to-End AI-Based Framework for Automated Discovery of CEST/MT MR Fingerprinting Acquisition Protocols and Quantitative Deep Reconstruction (AutoCEST)},
author = {Or Perlman and Bo Zhu and Moritz Zaiss and Matthew S. Rosen and Christian T. Farrar},
journal= {arXiv preprint arXiv:2107.04737},
year = {2022}
}
备注
Supported by US NIH R01CA203873, P41RR14075, CERN openlab cloud computing grant. This project has received funding from the European Union's Horizon 2020 research and innovation programme under the Marie Sk{\l}odowska-Curie grant agreement No 836752 (OncoViroMRI). This paper reflects only the author's view and the REA is not responsible for any use that may be made of the information it contains