基于生成式机器学习的两点 Dixon MRI 合成 Proton-Density Fat Fraction 和 $R_2^*$

Suma Anand; Kaiwen Xu; Colm O'Dushlaine; Sumit Mukherjee

基于生成式机器学习的两点 Dixon MRI 合成 Proton-Density Fat Fraction 和 $R_2^*$

计算机视觉与模式识别 2024-10-16 v1 机器学习

作者: Suma Anand , Kaiwen Xu , Colm O'Dushlaine , Sumit Mukherjee

摘要

磁共振成像(MRI)通过测量称为 Proton Density Fat Fraction(PDFF) 和 $R_2^*$ 的指标，可非侵入性地测量体内的脂肪和铁含量。然而，传统的 PDFF 和 $R_2^*$ 定量方法基于脑图的体素，要求至少三次测量才能估计三个量：水、脂肪和 $R_2^*$ 。或者，采用两点 Dixon MRI 协议，因为只获取两次测量，故速度更快；但这两次测量无法对脑图逐体素估计这三个量。利用相邻脑图具有相似值的事实，我们提出使用生成式机器学习方法从 Dixon MRI 中学习 PDFF 和 $R_2^*$ 。我们使用来自 UK Biobank 的配对 Dixon-IDEAL 数据（分别位于肝脏），并采用 Pix2Pix 条件生成对抗网络(GAN)，展示了从两点 Dixon MRI 中进行大规模 $R_2^*$ 推断的首个案例。通过我们的方法，合成的 PDFF 和 $R_2^*$ 图与基准值之间的相关性显著高于传统脑图基准方法。

关键词

MRI PDFF R2星两点 Dixon 生成对抗网络

引用

@article{arxiv.2410.11186,
  title  = {Synthesizing Proton-Density Fat Fraction and $R_2^*$ from 2-point Dixon MRI with Generative Machine Learning},
  author = {Suma Anand and Kaiwen Xu and Colm O'Dushlaine and Sumit Mukherjee},
  journal= {arXiv preprint arXiv:2410.11186},
  year   = {2024}
}

基于生成式机器学习的两点 Dixon MRI 合成 Proton-Density Fat Fraction 和 $R_2^*$

摘要

关键词

引用

相关论文