DeepEMC-T2 Mapping：基于回波调制曲线建模的深度学习赋能 T2 映射
图像与视频处理
2024-03-01 v1
摘要
目的：回波调制曲线 (EMC) 建模可提供准确且可复现的 T2 弛豫时间量化。然而，标准的 EMC-T2 映射框架需要足够的回波且繁琐的逐像素字典匹配步骤。本研究提出了一种 EMC-T2 映射的深度学习版本，称为 DeepEMC-T2 映射，旨在无需字典即可从更少的回波中高效估计准确的 T2 图。方法：DeepEMC-T2 映射使用改进的 U-Net 开发，可直接从多回波自旋回波 (MESE) 图像估计 T2 和质子密度 (PD) 图。改进的 U-Net 采用了几项新功能以提高 T2/PD 估计的准确性。来自 68 名受试者的 MESE 数据集用于 DeepEMC-T2 映射技术的训练和评估。进行了多项实验以评估所提出的新功能对 DeepEMC-T2 映射的影响。结果：DeepEMC-T2 映射在不同 T2 范围内实现了 3%-12% 的 T2 估计误差，在 10/7/5/3 个回波下实现了 0.8%-1.7% 的 PD 估计误差，其参数估计比标准 EMC-T2 映射更准确。DeepEMC-T2 映射中提出的新功能实现了改进的参数估计。使用更大的回波间距和更少的回波可以在减少 180 度重聚焦脉冲数量的同时保持 T2 和 PD 估计的准确性。结论：DeepEMC-T2 映射能够直接从 MESE 图像进行简化、高效且准确的 T2 量化，无需耗时的字典匹配步骤，且所需回波更少。这使得通过减少 180 度重聚焦脉冲的数量来增加体积覆盖范围和/或降低比吸收率 (SAR) 成为可能。
引用
@article{arxiv.2402.19205,
title = {DeepEMC-T2 Mapping: Deep Learning-Enabled T2 Mapping Based on Echo Modulation Curve Modeling},
author = {Haoyang Pei and Timothy M. Shepherd and Yao Wang and Fang Liu and Daniel K Sodickson and Noam Ben-Eliezer and Li Feng},
journal= {arXiv preprint arXiv:2402.19205},
year = {2024}
}