$\chi$-sepnet：用于磁化率源分离的深度神经网络

磁化率源分离（$\chi$-separation）是一种先进的定量磁化率成像（QSM）方法，能够分别估计大脑中顺磁和抗磁磁化率源分布。该方法利用可逆横向弛豫（R2'=R2*-R2）来补充频移信息以估计磁化率源浓度，除了需要R2*外，还需要耗时的数据采集来获取R2。为了应对这一挑战，我们开发了一种新的深度学习网络 $\chi$-sepnet，并提出了两种基于深度学习的磁化率源分离流水线：输入为多回波GRE和多回波自旋回波的 $\chi$-sepnet-R2'，以及仅输入多回波GRE的 $\chi$-sepnet-R2*。$\chi$-sepnet 使用提供无条纹伪影标签的多个头部方向数据进行训练，生成高质量的 $\chi$-separation 图。对这些流水线的评估包括对健康受试者的定性和定量评估，以及对多发性硬化患者病变特征的视觉检查。与传统的基于正则化的重建方法相比，所提出流水线的磁化率源分离图描绘了详细的大脑结构，且伪影显著减少。在定量分析中，$\chi$-sepnet-R2' 取得了最佳结果，其次是 $\chi$-sepnet-R2*，均优于传统方法。在评估多发性硬化患者的病变时，两条流水线在大多数病变中报告了相同的病变特征（在250个病变中，$\chi$para：99.6% 和 $\chi$dia：98.4%）。仅需要多回波GRE数据的 $\chi$-sepnet-R2* 流水线展示了其在广泛临床和科学应用中的潜力，尽管仍需对各种疾病和病理状况进行进一步评估。