使用基于模型的深度神经网络和合成训练数据加速化学交换饱和转移成像
摘要：用于高质量图像重建的基于模型的深度神经网络：化学交换饱和转移（CEST）数据的基于模型的深度神经网络，以解决欠采样多线圈CEST数据的图像重建问题。受变分网络的启发，将CEST图像重建方程展开为一个包含k空间数据共享块和在x-ω域中利用相关性的3D空间频率卷积核的深度神经网络（CEST-VN）。此外，还设计了一个基于多重池化Bloch-McConnell模拟的新管道，用于从公开可用的解剖MRI数据合成多线圈CEST数据。所提出的神经网络在模拟数据上进行训练，使用一个同时衡量结构和CEST对比度的CEST特定损失函数。使用回顾性欠采样数据以及不同加速因子对CEST-VN的性能进行了评估，并与其他先进的重建方法进行了比较。结果显示，所提出的CEST-VN方法在健康志愿者和脑肿瘤患者中生成了高质量的CEST源图像和APT加权（APTw）图，始终优于GRAPPA、盲压缩感知和原始变分网络。加速因子从3增加到6时，具有相同超参数的CEST-VN产生了类似且准确的重建结果，没有明显的细节损失或伪影增加。消融研究验证了使用联合CEST特定损失函数和数据共享块的有效性。结论：所提出的CEST-VN方法通过整合深度学习先验和多线圈灵敏度编码模型，可以从高度欠采样的多线圈数据中提供高质量的CEST源图像和APTw图。
作者：Jianping Xu (1), Tao Zu (1), Yi-Cheng Hsu (2), Xiaoli Wang (3), Kannie W. Y. Chan (4), Yi Zhang (1) ((1) Key Laboratory for Biomedical Engineering of Ministry of Education, Department of Biomedical Engineering, College of Biomedical Engineering & Instrument Science, Zhejiang University, Hangzhou, Zhejiang, China, (2) MR Collaboration, Siemens Healthcare Ltd., Shanghai, China, (3) Weifang Medical University, Weifang, Shandong, China, (4) Department of Biomedical Engineering, City University of Hong Kong, Hong Kong, China)
论文ID：2205.10265
分类：Medical Physics
分类简称：physics.med-ph
提交时间：2023-05-26