基于深度学习的7T MRI并行射频发射设计发射场不均匀性优化
计算机视觉与模式识别
2025-02-07 v2
摘要
超高场（UHF）磁共振成像（MRI）提供更高的信噪比，从而获得更高的空间分辨率。然而，UHF MRI 引入了诸如发射射频（RF）场（B1+）不均匀性等挑战，导致翻转角不均匀和图像强度异常。这些问题可能显著降低成像质量及其医学应用。本研究通过一种新颖的深度学习策略来解决 B1+ 场均匀性问题。传统方法如幅度最小二乘（MLS）优化已被证明有效，但耗时且依赖于患者的在场。近期机器学习方法，如通过迭代投影岭回归进行 RF Shim 预测和深度学习框架，已展现出前景，但面临诸如训练时间过长和架构过于简化等局限。我们提出了一种两步深度学习策略。首先，我们利用随机初始化的自适应矩估计从多通道 B1+ 场中获得所需的参考 RF Shim 权重。然后，我们采用残差网络（ResNets）训练一个将 B1+ 场映射到目标 RF Shim 输出的模型。我们的方法不依赖预计算的参考优化用于测试过程，并能高效学习残差函数。与传统 MLS 优化的对比研究证明了我们的方法在速度和精度方面的优势。所提出的策略实现了更快且更高效的 RF Shim 设计，显著提升了 UHF 下的成像质量。这一进展有望在医学成像和诊断领域得到更广泛的应用。
引用
@article{arxiv.2408.11323,
title = {Optimizing Transmit Field Inhomogeneity of Parallel RF Transmit Design in 7T MRI using Deep Learning},
author = {Zhengyi Lu and Hao Liang and Xiao Wang and Xinqiang Yan and Yuankai Huo},
journal= {arXiv preprint arXiv:2408.11323},
year = {2025}
}