BFRnet：一种基于深度学习的MR背景场去除方法，用于含显著病理性磁敏感源的脑部QSM

引言：背景场去除（BFR）是成功进行定量磁敏感图（QSM）所需的关键步骤。然而，由于在颅内出血等显著磁敏感源诱导下场尺度较大，在含有显著磁敏感源（如颅内出血）的脑中消除背景场具有挑战性。方法：本研究提出一种新的基于深度学习的方法 BFRnet，用于去除健康与出血受试者的背景场。该网络在 U-net 架构上构建双频倍频卷积，使用含有显著磁敏感源的合成场图进行训练。将 BFRnet 方法与三种传统 BFR 方法和一种先前的深度学习方法在来自 4 名健康与 2 名出血受试者的模拟和体内脑数据上进行比较。还研究了针对采集视场（FOV）方向和脑掩膜的鲁棒性。结果：在模拟和体内实验中，BFRnet 在所有五种方法中于局部场和 QSM 结果上取得了视觉上最佳的结果，对比度损失最小且出血磁敏感测量最准确。此外，BFRnet 在不同尺寸脑掩膜间产生了最一致的局部场和磁敏感图，而传统方法极大依赖于精确的脑提取及进一步的脑边缘腐蚀。还观察到，对于与主磁场倾斜的采集 FOV，BFRnet 在所有 BFR 方法中表现最佳。结论：所提出的 BFRnet 相比传统 BFR 算法提高了出血受试者局部场重建的准确性。BFRnet 方法对于倾斜方向的采集有效，并保留了全脑而无需传统 BFR 方法常要求的边缘腐蚀。