Unüberwachtes Lernen-basiertes Pulssequenz-Optimierungsframework für die Magnetresonanzfingerabdruckerstellung

Das optimale Design der Magnetresonanzfingerabdrucksequenz (MRF) ist weiterhin herausfordernd aufgrund der Optimierung von hochdimensionalen Erwerbsparametern. In diesem Papier schlagen wir ein neuartiges Framework zur Pulssequenzgestaltung auf Basis von unüberwachtem Lernen für die effiziente MRF-Sequenzoptimierung vor. Konkret stellen wir ein neuartiges Pulssequenzgenerierungsnetzwerk (PSG-Net) vor, das die Sequenzkorrelation voll ausnutzt, um die optimale Pulssequenz aus einem null-initialisierten Eingabewert zu generieren. Um die Genauigkeit der Parameterschätzung zu verbessern, verwenden wir eine vordefinierte Bewertungsfunktion für die Leistung der Pulssequenz, die die Gewebequantifizierungstrennfähigkeit direkt als Verlustfunktion darstellen kann, um die Parameter des PSG-Net zu aktualisieren.