通过分块多分辨率神经网络与 K 空间替代实现定量磁化率反演

目的：定量磁化率成像（QSM）重建是一个具有挑战性的逆问题，其源于场到磁化率变换的病态性。最先进的 QSM 重建方法要么存在图像伪影，要么计算时间长，这限制了 QSM 的临床转化。为克服这些局限，提出并验证了一种基于深度学习的方法。方法：训练一个编码器-解码器神经网络，以在体积分块区域上推断磁化率图。训练数据由模拟体内脑磁化率分布空间频率模式的合成磁化率分布构成。推断的体积分块被重组以形成复合 QSM。该方法记为 ASPEN，意为通过分块编码器-解码器网络近似磁化率（Approximated Susceptibility through Parcellated Encoder-decoder Networks）。在金标准挑战数据集和 200 名受试者的队列上，将 ASPEN 的性能与几种成熟方法进行了评估。结果：在金标准 ISMRM 挑战数据集上，ASPEN 与所评估的成熟方法在定量精度上相当，但在定性上明显减少了条带状伪影和图像模糊。在大型队列数据集上，关于条带状伪影和图像分辨率的多次评分者评估中，ASPEN 优于其他方法取得最高分。结论：所提出的 ASPEN 方法可在常规计算硬件上近实时稳健地推断磁化率图。本初步研究确立了 ASPEN 在精心筛选的金标准数据集上与现有方法定量精度相当，并进一步证明了其在大型受试者队列中对条带状伪影的稳健性。