RAIDER: Schnelle, anatomieunabhängige, tiefenlernende chemische Shift-kodierte MRI

Zweck: Trotz jüngster Fortschritte bleibt die chemisch Shift-kodierte MRI (CSE-MRI) ein herausforderndes Problem, und viele Algorithmen sind rechnerisch teuer, was zu einem Interesse an tiefenlernbasierten Methoden führt. Bei ersten Versuchen wurden jedoch konvolutionale neuronale Netze (CNNs) verwendet, die durch Datenanforderungen, schlechte Generalisierbarkeit über verschiedene Anatomien (Anatomieabhängigkeit) und Trainingszeit limitiert sind. Um diese Einschränkungen zu überwinden, schlagen wir RAIDER vor, eine Methode für schnelle, anatomieunabhängige, tiefenlernende CSE-MRI. Theorie und Methoden: RAIDER verwendet zwei Mehrschichtwahrnehmungen (MLPs), die jeweils separat mit simulierten Einzel-Voxel-Daten trainiert werden, um die Degeneriertheit zu vermeiden, die beim Training nur mit einem Netzwerk auftritt. Während der Inferenz wird die Lösung aus einem der beiden Netzwerke basierend auf der Wahrscheinlichkeit gewählt. Leistung und Geschwindigkeit werden in einer Reihe von Simulationsexperimenten, in Phantomen und in vivo untersucht. Ergebnisse: RAIDER ist ungefähr 700 Mal schneller als die herkömmliche Anpassung und benötigt 14 µs pro Voxel anstelle von 10 ms und bietet eine Leistung, die der herkömmlichen Anpassung ähnelt. Es erzeugt genaue Fettfraktionsmessungen in Phantom- und in vivo-Bildern mit unterschiedlichen Anatomien, obwohl es nur mit Simulationsdaten trainiert wurde. Schlussfolgerung: RAIDER löst die durch Degeneriertheit aufgeworfenen Probleme, vermeidet die Anforderungen an Trainingsdaten von CNN-basierten Methoden und reduziert die Rechenkosten im Vergleich zur herkömmlichen Anpassung erheblich.