基于生物物理模型的深度学习用于定量且无伪影 R2* 图像的鲁棒加速重建（RoAR）
图像与视频处理
2020-05-15 v3
摘要
目的：介绍一种新颖的深度学习方法，用于从多梯度回波（mGRE）MRI 数据中鲁棒且加速地重建（RoAR）定量且经 B0 不均匀性校正的 R2* 图。方法：RoAR 训练一个卷积神经网络（CNN），通过采用自监督学习策略，给定（a）mGRE 幅度图像、（b）描述 mGRE 信号衰减的生物物理模型以及（c）初步评估的、表征宏观 B0 场不均匀性贡献的 F 函数，生成无场不均匀性伪影的定量 R2* 图。重要的是，不需要真实 R2* 图像，且 F 函数仅在 RoAR 训练时需要而非应用时。结果：我们表明 RoAR 保留了 R2* 图的所有特征，同时在计算速度（秒级对比小时级）和降低噪声敏感性方面较现有方法有明显改进。即使对于 SNR=5 的数据，RoAR 生成的 R2* 图准确率为 22%，而逐体素分析准确率为 47%。对于 SNR=10，RoAR 准确率提升至 17%，而直接逐体素分析为 24%。结论：RoAR 被训练为直接从输入的仅幅度 mGRE 数据中识别宏观磁场不均匀性，并消除其对 R2* 测量的影响。RoAR 训练基于生物物理模型，不需要真实 R2* 图。由于 RoAR 不仅利用来自单个体元的信号信息，还考虑了图像中信号的空间模式，因此降低了 R2* 图对数据中噪声的敏感性。这些特性加上高计算速度，为 RoAR 在临床环境中的潜在应用提供了显著优势。
引用
@article{arxiv.1912.07087,
title = {Deep learning using a biophysical model for Robust and Accelerated Reconstruction (RoAR) of quantitative and artifact-free R2* images},
author = {Max Torop and Satya VVN Kothapalli and Yu Sun and Jiaming Liu and Sayan Kahali and Dmitriy A. Yablonskiy and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:1912.07087},
year = {2020}
}
备注
In press for Magnetic Resonance in Medicine (MRM)