基于去噪卷积神经网络的快速二维23Na MRI踝部成像

23Na MRI可用于量化体内组织钠浓度（TSC），但由于23Na信号较低，导致扫描时间延长或图像噪声/分辨率较低。已提出重构算法如压缩感知（CS）以缓解低信噪比问题，尽管其可产生不自然的图像、次优去噪效果和较长的处理时间。最近，机器学习方法被用于对1H MRI进行去噪；然而，这种方法通常需要大量高质量训练数据，而23Na MRI难以获得。本文使用1H数据训练去噪CNN，然后在踝部的23Na图像上进行验证。采用1893个1H踝部横截面数据训练针对不同噪声水平的去噪CNN。通过在高质量1H kspace数据上添加高斯噪声再进行重构，以创建配对训练数据。对于前瞪性测试，采用150次平均值获取的踝部23Na图像作为参考。从该数据中，使用NUFFT及CS重构低平均值图像，并对NUFFT图像应用所训练的CNN进行去噪。CNN成功应用于50、40和30次平均值的23Na图像。与NUFFT、CS和参考图像相比，CNN图像的信噪比显著提高。边缘锐利度所有图像均相当。对于图像质量排序，CNN图像与参考图像等级相同，显著优于NUFFT和CS图像。肌肉和皮肤TSC定量来自CNN图像与来自CS图像相当，<0.9 mM偏差。基于1H数据训练的去噪CNN可成功应用于踝部23Na图像，从而将扫描时间从10分钟缩短至2分钟，几乎不影响图像质量或TSC定量准确性。