分子 MRI 信号的动态快速深度合成
医学物理
2023-10-31 v1 图像与视频处理
摘要
基于模型的生物物理现象分析在医学成像应用中受到越来越多的关注和利用。在磁共振成像（MRI）中，描述核磁化、组织特性与外部施加磁场之间关系的成熟模型，已能够预测图像对比度，并成为设计临床常规使用成像协议的有力工具。近来，多种先进成像技术依赖这些模型进行图像重建、定量组织参数提取和采集协议自动优化。然而，在分子 MRI 中，成像场景的复杂性增加——必须考虑来自各种化合物和多个质子池的信号——导致模型仿真时间极长，严重阻碍了该方法的发展及其在各种临床应用中的推广。在此，我们展示了一种基于深度学习的系统能够捕捉分子 MRI Bloch-McConnell 模型中嵌入的非线性关系，从而实现快速且准确的生物真实合成数据生成。随后，针对化学交换饱和转移（CEST）和半固态大分子磁化转移（MT）的分析与量化，展示了该仿真数据在硅基（in-silico）、体外（in-vitro）和体内（in-vivo）成像应用中的适用性。所提方法在数据合成时间上实现了 78%–99% 的加速，同时与真值保持极高一致性（Pearson 相关系数 r0.99，p0.0001，归一化均方根误差 3%）。
引用
@article{arxiv.2305.19413,
title = {Dynamic and Rapid Deep Synthesis of Molecular MRI Signals},
author = {Dinor Nagar and Nikita Vladimirov and Christian T. Farrar and Or Perlman},
journal= {arXiv preprint arXiv:2305.19413},
year = {2023}
}