Eddeep: Schnelle Korrektur von Eddystromverzerrungen für Diffusions-MRT mit tiefem Lernen

Moderne Diffusions-MRT-Sequenzen erfassen typischerweise eine große Anzahl von Volumen mit Diffusionssensibilisierungsgradienten unterschiedlicher Stärken oder Richtungen. Solche Sequenzen verlassen sich auf die Echoschicht-Bildgebung (EPI), um eine angemessene Scandauer zu erreichen. EPI ist jedoch anfällig für Off-Resonanz-Effekte, die zu Gewebeempfindlichkeit und durch Eddystrom induzierten Verzerrungen führen. Letzteres ist besonders problematisch, da es zu einer Fehlanpassung zwischen Volumen führt, was die nachgelagerte Modellierung und Analyse stört. Die wesentliche Korrektur von Eddystromverzerrungen erfolgt typischerweise nach der Akquisition mittels Bildregistrierung. Dies ist jedoch nicht trivial, da die Korrespondenz zwischen Volumen durch volumen-spezifische Signalveringerungen, die durch variierende Richtungen und Stärken der angewendeten Gradienten induziert werden, erheblich gestört werden kann. Diese Herausforderung wurde erfolgreich durch das beliebte FSL~Eddy-Tool angegangen, jedoch zu erheblichen Berechnungskosten. Wir schlagen einen alternativen Ansatz vor, der auf den jüngsten Fortschritten in der Bildverarbeitung basiert, die durch tiefes Lernen (DL) ermöglicht werden. Es besteht aus zwei konvolutionalen neuronalen Netzwerken: 1) Einem Bildübersetzer, der die Korrespondenz zwischen Bildern wiederherstellt; 2) Einem Registrierungsmodell, das die übersetzten Bilder ausrichtet. Die Ergebnisse zeigen vergleichbare Verzerrungsschätzungen wie FSL~Eddy, während nur moderate Trainingsprobenmengen erforderlich sind. Diese Arbeit ist, soweit wir wissen, die erste, die dieses Problem mit tiefem Lernen angeht. Zusammen mit kürzlich entwickelten DL-basierten Techniken zur Korrektur der Empfindlichkeit ebnen sie den Weg für die Echtzeitvorverarbeitung von Diffusions-MRT, was ihre breitere Anwendung in der Klinik erleichtert.