WALINET：用于1H MR谱成像消除杂散信号的水和脂肪识别卷积神经网络
图像与视频处理
2025-12-16 v2 计算机视觉与模式识别
机器学习
摘要
目的：质子磁共振光谱成像（1H-MRSI）提供了代谢物的非侵入性光谱-空间映射。然而，整个大脑1H-MRSI仍面临代谢峰与来自颈部的大脂肪信号重叠以及压倒性水信号扭曲光谱的问题。需要快速有效的方法，以实现高分辨率1H-MRSI，准确去除脂肪和水信号，同时保留代谢信号。尽管监督式神经网络在其他MRSI处理任务中取得成功，但其在此任务中的潜力仍未被探索。方法：我们引入一种基于修改Y-NET网络的深度学习方法，用于整个大脑1H-MRSI中的水和脂肪去除。WALINET（WAter and LIpid neural NETwork）被用于与常规方法进行比较，如最新型脂肪L2正则化和Hankel-Lanczos奇异值分解（HLSVD）水抑制。通过NMRSE、SNR、CRLB和FWHM指标对方法进行评估。结果：WALINET显著更快，仅需8秒即可完成高分辨率整个大脑1H-MRSI，而常规HLSVD+L2方法需42分钟。定量分析表明，WALINET的性能优于HLSVD+L2：1）脂肪去除效果更好，NRMSE降低41%；2）代谢信号保留更佳，在模拟数据中NRMSE降低71%，体内数据中SNR提高155%，CRLB降低50%。健康受试者和患者的代谢图显示，WALINET呈现更好的灰/白质对比度，结构细节更清晰。结论：与常规最新技术相比，WALINET在整个大脑1H-MRSI的杂散信号消除和代谢量定量方面表现出优越性能。这代表了神经网络在MRSI处理中新的应用应用，具有自动化高通量工作流程的潜力。
引用
@article{arxiv.2410.00746,
title = {WALINET: A water and lipid identification convolutional Neural Network for nuisance signal removal in 1H MR Spectroscopic Imaging},
author = {Paul Weiser and Georg Langs and Stanislav Motyka and Wolfgang Bogner and Sébastien Courvoisier and Malte Hoffmann and Antoine Klauser and Ovidiu C. Andronesi},
journal= {arXiv preprint arXiv:2410.00746},
year = {2025}
}