Streamlined magnetic resonance fingerprinting: Fast whole-brain coverage with deep-learning based parameter estimation
Notice bibliographique
Résumé
Magnetic resonance fingerprinting (MRF) is a quantitative MRI (qMRI) framework that provides simultaneous estimates of multiple relaxation parameters as well as metrics of field inhomogeneity in a single acquisition. However, current challenges exist in the forms of (1) scan time; (2) need for custom image reconstruction; (3) large dictionary sizes; (4) long dictionary-matching time. This study aims to introduce a novel streamlined magnetic-resonance fingerprinting (sMRF) framework based on a single-shot echo-planar imaging (EPI) sequence to simultaneously estimate tissue T1, T2, and T2* with integrated B1+ correction. Encouraged by recent work on EPI-based MRF, we developed a method that combines spin-echo EPI with gradient-echo EPI to achieve T2 in addition to T1 and T2* quantification. To this design, we add simultaneous multi-slice (SMS) acceleration to enable full-brain coverage in a few minutes. Moreover, in the parameter-estimation step, we use deep learning to train a deep neural network (DNN) to accelerate the estimation process by orders of magnitude. Notably, due to the high image quality of the EPI scans, the training process can rely simply on Bloch-simulated data. The DNN also removes the need for storing large dictionaries. Phantom scans along with in-vivo multi-slice scans from seven healthy volunteers were acquired with resolutions of 1.1×1.1×3 mm3 and 1.7×1.7×3 mm3, and the results were validated against ground truth measurements. Excellent correspondence was found between our T1, T2, and T2* estimates and results obtained from standard approaches. In the phantom scan, a strong linear relationship (R = 1–1.04, R2>0.96) was found for all parameter estimates, with a particularly high agreement for T2 estimation (R2>0.99). Similar findings are reported for the in-vivo human data for all of our parameter estimates. Incorporation of DNN results in a reduction of parameter estimation time on the order of 1000 x and a reduction in storage requirements on the order of 2500 x while achieving highly similar results as conventional dictionary matching (%differences of 7.4 ± 0.4%, 3.6 ± 0.3% and 6.0 ± 0.4% error in T1, T2, and T2* estimation). Thus, sMRF has the potential to be the method of choice for future MRF studies by providing ease of implementation, fast whole-brain coverage, and ultra-fast T1/T2/T2* estimation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».