ترجمه فارسی مقاله نقشه‌برداری چند پارامتری سریع MR کل مغز با شبکه‌های خودنظارتی مختص اسکن

چکیده

Quantification of tissue parameters using MRI is emerging as a powerful tool in clinical diagnosis and research studies. The need for multiple long scans with different acquisition parameters prohibits quantitative MRI from reaching widespread adoption in routine clinical and research exams. Accelerated parameter mapping techniques leverage parallel imaging, signal modelling and deep learning to offer more practical quantitative MRI acquisitions. However, the achievable acceleration and the quality of maps are often limited. Joint MAPLE is a recent state-of-the-art multi-parametric and scan-specific parameter mapping technique with promising performance at high acceleration rates. It synergistically combines parallel imaging, model-based and machine learning approaches for joint mapping of T1, T2*, proton density and the field inhomogeneity. However, Joint MAPLE suffers from prohibitively long reconstruction time to estimate the maps from a multi-echo, multi-flip angle (MEMFA) dataset at high resolution in a scan-specific manner. In this work, we propose a faster version of Joint MAPLE which retains the mapping performance of the original version. Coil compression, random slice selection, parameter-specific learning rates and transfer learning are synergistically combined in the proposed framework. It speeds-up the reconstruction time up to 700 times than the original version and processes a whole-brain MEMFA dataset in 21 minutes on average, which originally requires ~260 hours for Joint MAPLE. The mapping performance of the proposed framework is ~2-fold better than the standard and the state-of-the-art evaluated reconstruction techniques on average in terms of the root mean squared error.

چکیده به فارسی (ترجمه ماشینی)

تعیین پارامترهای بافت با استفاده از MRI ​​به عنوان ابزاری قدرتمند در تشخیص بالینی و مطالعات تحقیقاتی در حال ظهور است.نیاز به اسکن های طولانی با پارامترهای مختلف کسب ، MRI کمی را از پذیرش گسترده در امتحانات بالینی و تحقیق روتین ممنوع می کند.تکنیک های نقشه برداری پارامتر تسریع شده ، از تصویربرداری موازی ، مدل سازی سیگنال و یادگیری عمیق استفاده می کنند تا دستیابی به MRI کمی عملی تر ارائه دهند.با این حال ، شتاب قابل دستیابی و کیفیت نقشه ها اغلب محدود است.MATLE مشترک یک تکنیک نقشه برداری پارامتر چند پارامتری و اسکن خاص اخیر با عملکرد امیدوارکننده در نرخ شتاب بالا است.این به صورت هم افزایی ترکیبی از تصویربرداری موازی ، رویکردهای یادگیری مبتنی بر مدل و ماشین برای نقشه برداری مشترک T1 ، T2*، چگالی پروتون و ناهمگونی میدان است.با این حال ، افرا مشترک از زمان بازسازی طولانی مدت برای برآورد نقشه ها از مجموعه داده های چند فلی ، چند فلیپ (MEMFA) با وضوح بالا به روش خاص اسکن رنج می برد.در این کار ، ما یک نسخه سریعتر از افرا مشترک را پیشنهاد می کنیم که عملکرد نقشه برداری نسخه اصلی را حفظ می کند.فشرده سازی سیم پیچ ، انتخاب برش تصادفی ، نرخ یادگیری خاص پارامتر و یادگیری انتقال به صورت هم افزایی در چارچوب پیشنهادی ترکیب می شوند.این زمان بازسازی را تا 700 برابر نسبت به نسخه اصلی سرعت می بخشد و یک مجموعه داده Memfa کل مغز را در 21 دقیقه به طور متوسط ​​پردازش می کند ، که در ابتدا برای افرا مشترک به 260 ساعت نیاز دارد.عملکرد نقشه برداری از چارچوب پیشنهادی 2 برابر ~ بهتر از استاندارد و پیشرفته ترین تکنیک های بازسازی ارزیابی شده به طور متوسط ​​از نظر خطای میانگین مربع ریشه است.