Predicting dynamic, motion-related changes in B0 field in the brain at a 7 T MRI using a subject-specific fine-tuned U-net

要約

タイトル: 7T MRIにおいて、運動に関連したB0磁場の変化を個別主体に合わせて予測する方法の提案

要約:

– MRI検査中における主体の運動は避けられないため、画像アーティファクトだけでなく主磁場の均一性の劣化を引き起こす。それゆえ、運動が原因でB0磁場に変化が生じる場合について、予測することは高品質データに必要である。
– 本研究は、深層学習ベースの手法を提案し、脳内でのこのような変化を予測する。3D U-netを使用し、初期位置でのB0マップと解剖学的イメージを入力し、頭部位置の変化によって得られた異なる解剖学的イメージを入力。出力は、新しい頭部位置でのB0マップである。
– ネットワークの重みを各主体に対して微調整することで、当該主体の限られた数の頭部位置を測定し、U-netを訓練した。提案手法は、ナビゲーションシークエンスの欠点である空間分解能の制限と不要なシークエンス変更の必要性を克服する。定性的および定量的比較により、提案手法はナビゲーションエクイバレント法と同等の性能を示し、主磁場に影響を与えずにMRI収集品質を向上させるために使用できることが示された。

要約(オリジナル)

Subject movement during the magnetic resonance examination is inevitable and causes not only image artefacts but also deteriorates the homogeneity of the main magnetic field (B0), which is a prerequisite for high quality data. Thus, characterization of changes to B0, e.g. induced by patient movement, is important for MR applications that are prone to B0 inhomogeneities. We propose a deep learning based method to predict such changes within the brain from the change of the head position to facilitate retrospective or even real-time correction. A 3D U-net was trained on in vivo brain 7T MRI data. The input consisted of B0 maps and anatomical images at an initial position, and anatomical images at a different head position (obtained by applying a rigid-body transformation on the initial anatomical image). The output consisted of B0 maps at the new head positions. We further fine-tuned the network weights to each subject by measuring a limited number of head positions of the given subject, and trained the U-net with these data. Our approach was compared to established dynamic B0 field mapping via interleaved navigators, which suffer from limited spatial resolution and the need for undesirable sequence modifications. Qualitative and quantitative comparison showed similar performance between an interleaved navigator-equivalent method and proposed method. We therefore conclude that it is feasible to predict B0 maps from rigid subject movement and, when combined with external tracking hardware, this information could be used to improve the quality of magnetic resonance acquisitions without the use of navigators.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI