Deep Learning Reconstruction for 7T MP2RAGE and SPACE MRI: Improving Image Quality at High Acceleration Factors
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Deep learning (DL) reconstruction has been successful in realizing otherwise impracticable acceleration factors and improving image quality in conventional MRI field strengths; however, there has been limited application to ultra-high-field MRI. The objective of this study was to evaluate the performance of a prototype DL-based image reconstruction technique in 7T MRI of the brain utilizing magnetization-prepared 2 rapid acquisition gradient echoes (MP2RAGE) and sampling perfection with application-optimized contrasts using different flip angle evolutions (SPACE) acquisitions, in comparison with reconstructions in conventional compressed sensing and controlled aliasing in parallel imaging techniques. MATERIALS AND METHODS: This retrospective study involved 60 patients who underwent 7T brain MRI between June 2024 and October 2024, comprising 30 patients with MP2RAGE data and 30 patients with SPACE FLAIR data. Each set of raw data was reconstructed with DL-based reconstruction and conventional reconstruction. Image quality was independently assessed by 2 neuroradiologists by using a 5-point Likert scale, which included overall image quality, artifacts, sharpness, structural conspicuity, and noise level. Interobserver agreement was determined by using top-box analysis. Contrast-to-noise ratio (CNR) and noise levels were quantitatively evaluated and compared by using the Wilcoxon signed-rank test. RESULTS: > .05). When compared with standard reconstruction, the implementation of DL-based reconstruction yielded an increase in CNR of 49.5% (95% CI, 33.0%-59.0%) for MP2RAGE data and 90.6% (95% CI, 73.2%-117.7%) for SPACE FLAIR data, along with a decrease in noise of 33.5% (95% CI, 23.0%-38.0%) for MP2RAGE data and 47.5% (95% CI, 41.9%-52.6%) for SPACE FLAIR data. CONCLUSIONS: DL-based reconstruction of 7T MRI significantly enhanced image quality compared with conventional reconstruction without introducing image artifacts. The achievable high acceleration factors have the potential to substantially improve image quality and resolution in 7T MRI.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».