一种基于物理原理的神经网络，采用参数嵌入技术，能够从加权图像中生成定量磁共振（MR）图像

《MEDICAL PHYSICS》：A physics-driven neural network with parameter embedding for generating quantitative MR maps from weighted images

定量MRI合成中提出物理驱动神经网络，通过嵌入重复时间、回波时间和反转时间等序列参数，从T1、T2和T2-FLAIR加权像合成T1、T2和质子密度定量 maps。该方法在内部测试集上实现T1（MPE<6%）、T2（MPE<10%）和PD（MPE<5%）的合成精度，且在未知病理区域展现强泛化能力，优于传统DL方法。

　　

摘要

背景

传统的定量磁共振成像（qMRI）技术需要获取多张加权图像来生成单一的定量映射图，这延长了扫描时间并限制了其临床应用。深度学习（DL）作为一种有前景的方法，可以从常规的加权MRI图像中合成定量映射图。然而，现有的DL方法往往忽略了MRI信号中固有的物理原理，这不可避免地影响了模型的性能和泛化能力。

目的

开发一种基于深度学习的方法，整合MRI序列参数，以提高从临床加权MRI数据中合成定量图像的准确性和泛化能力。

方法

我们提出了一种物理驱动的神经网络，通过参数嵌入将MRI序列参数——重复时间（TR）、回波时间（TE）和反转时间（TI）直接嵌入模型中。这种设计使网络能够学习MRI信号形成的物理原理。该模型以常规的T1加权、T2加权和T2-FLAIR（T2-FLAIR）图像作为输入，合成T1、T2和质子密度（PD）的定量映射图。该模型在健康脑部MRI图像上进行了训练，并在内部和外部测试数据集上进行了评估。

结果

与传统深度学习方法（pGAN和U-Net）相比，所提出的方法在所有评估指标上均表现出最佳性能。在内部测试集上，该模型在T1图像上的平均百分比误差（MPE）低于6%，在T2图像上低于10%，在PD图像上低于5%，相应的全局体素级平均绝对误差（MAE）分别为约60毫秒、10毫秒和30毫秒。值得注意的是，所提出的模型能够准确生成之前未见过的病理区域的定量映射图，体现了其卓越的泛化能力。

结论

通过参数嵌入整合MRI序列参数，神经网络能够更好地理解MRI信号的物理特性，显著提高了定量MRI合成的性能和可靠性。这种方法在加速qMRI进程和提升其临床应用价值方面具有巨大潜力。

利益冲突声明

作者声明没有利益冲突。