DeepCEST：从 3 T 数据预测 9.4 T 化学交换饱和转移 MRI 对比度——一项概念验证研究
医学物理
2018-08-31 v1
摘要
目的：Z谱中不同 CEST 信号的分离是一项挑战，尤其在低场强下，酰胺、胺和 NOE 峰彼此合并或与水峰合并。本工作的目的是研究是否可以通过由 9.4 T 人脑目标数据训练的深度学习方法提取 3 T 谱中的信息。方法：使用相似的饱和方案，通过 3 D 快照 CEST MRI 在 3 T 和 9.4 T 下从同一志愿者采集高光谱分辨率的 Z谱。然后将体积配准的 3 T Z谱栈作为三层深度神经网络的输入数据，以体积配准的 9.4 T 拟合参数栈作为目标数据。该神经网络经过优化并应用于训练数据、来自不同志愿者的未见过数据以及肿瘤患者数据集。结果：找到了一个有用的神经网络架构并在健康志愿者中验证。不同 CEST 效应的灰质/白质对比度被预测且偏差很小。与直接测量的 CEST 图相比，9.4 T 预测噪声更小，但代价是组织对比度略低。应用于在 3 T 和 9.4 T 测量的肿瘤患者显示，肿瘤组织 Z谱及相应不同 CEST 效应的高/低信号强度也可被预测。结论：深度学习可能是 CEST 数据处理的强大工具，deepCEST 可将少数超高场站点的优势与洞察带给更广泛的临床应用。反之，deepCEST 可能有助于确定哪些受试者是额外在 UHF 测量的合适候选者。
引用
@article{arxiv.1808.10190,
title = {DeepCEST: 9.4 T Chemical Exchange Saturation Transfer MRI contrast predicted from 3 T data - a proof of concept study},
author = {Moritz Zaiss and Anagha Deshmane and Mark Schuppert and Kai Herz and Philipp Ehses and Tobias Lindig and Benjamin Bender and Ulrike Ernemann and Klaus Scheffler},
journal= {arXiv preprint arXiv:1808.10190},
year = {2018}
}
备注
23 pages, 8 figures, presented at ISMRM 2018