A Generalized Approach to Solving Deep Learning‐Based Quantitative Susceptibility Mapping and Quantitative Blood Oxygen Level Dependent Magnitude ( QSM  +  qBOLD or QQ ) for Oxygen Extraction Fraction ( OEF ) Mapping Across Diverse Acquisition Schemes

定量磁化率图 人工智能 计算机科学 模式识别(心理学) 稳健性(进化) 深度学习 数据采集 可扩展性 特征提取 分数(化学) 多发性硬化 痴呆 限制 血氧水平依赖性 神经影像学 信号(编程语言) 数据提取 磁共振成像 冲程(发动机) 独立成分分析 萃取(化学) 数据挖掘 卷积神经网络 生物医学工程 计算机视觉 盲信号分离 方向(向量空间)
作者
Tian Qiu,Ada Ally,Arpita Misra,Gloria C. Chiang,Thanh D. Nguyen,Susan A. Gauthier,Shun Zhang,Yi Wang,Junghun Cho
出处
期刊:Magnetic Resonance in Medicine [Wiley]
标识
DOI:10.1002/mrm.70524
摘要

PURPOSE: QQ, a recently proposed oxygen extraction fraction (OEF) mapping technique combining quantitative susceptibility mapping (QSM) and quantitative blood oxygen level-dependent (qBOLD) (QSM + qBOLD = QQ), generates OEF maps noninvasively from a single routine MRI sequence, without requiring vascular challenges used in other OEF approaches. A deep learning approach, QQ-NET, further enables rapid 3D OEF reconstruction (˜1.5 min), but it is trained on a fixed echo-time (TE) scheme and must be retrained whenever acquisition protocols differ, limiting its clinical applicability. This study introduces QQ-F, a novel deep learning approach designed to eliminate the need for retraining. METHODS: QQ-F incorporates a feature extraction unit that derives QQ model-related features as inputs, rather than relying directly on raw signals. For a fair comparison, QQ-F was trained using the same 3D multi-echo gradient echo (mGRE) dataset as QQ-NET, acquired from 26 ischemic stroke patients. Both models were tested using simulations and data from 24 multiple sclerosis (MS) and 30 dementia patients acquired with varying TE sequences. RESULTS: In simulations, QQ-F provided more accurate OEF maps than QQ-NET with lower mean absolute error. In patient datasets-particularly dementia datasets, where TE values differed substantially from QQ-NET's training protocol-QQ-F yielded significantly higher lesion-to-normal tissue contrast than QQ-NET, indicating superior robustness to acquisition variability. CONCLUSION: QQ-F enables deep learning-based QQ OEF mapping across diverse MR acquisition protocols without retraining, thereby enhancing the clinical scalability of QQ-based OEF mapping.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
XING完成签到,获得积分10
刚刚
凉拌红烧肉完成签到,获得积分10
刚刚
追月亮的星星完成签到,获得积分10
1秒前
尹传博完成签到,获得积分10
1秒前
liu完成签到,获得积分10
1秒前
liuye0202完成签到,获得积分10
1秒前
闫妍发布了新的文献求助30
1秒前
淡淡熠彤发布了新的文献求助10
2秒前
2秒前
TYH发布了新的文献求助10
2秒前
2秒前
CaliU发布了新的文献求助10
3秒前
无无完成签到,获得积分20
3秒前
lwj完成签到,获得积分10
3秒前
Fatherrr发布了新的文献求助10
3秒前
北酱发布了新的文献求助10
3秒前
3秒前
GJIOOHFHN完成签到 ,获得积分10
3秒前
乐乐的应助被凉拌红烧肉采纳,获得10
5秒前
Zzz完成签到,获得积分10
5秒前
海石酸辣完成签到 ,获得积分10
5秒前
明亮的犀牛完成签到,获得积分10
5秒前
苗浩阳完成签到,获得积分10
5秒前
zyh9762发布了新的文献求助10
6秒前
6秒前
NexusExplorer的应助被WYH采纳,获得10
6秒前
星空发布了新的文献求助10
6秒前
wnw完成签到,获得积分10
6秒前
6秒前
圆圆完成签到,获得积分10
6秒前
7秒前
7秒前
MM完成签到 ,获得积分10
7秒前
7秒前
小铁的应助被白耀庭采纳,获得10
7秒前
高大的凝阳完成签到,获得积分10
7秒前
今后的应助被www采纳,获得10
7秒前
8秒前
Peiqi的应助被怡然的扬采纳,获得20
8秒前
8秒前
高分求助中
(应助此贴封号)【重要!!请各用户(尤其是新用户)详细阅读】【科研通的精品贴汇总】 10000
拉伸高分子熔体中缠结行为的模拟和小角中子散射研究 1700
The World Atlas of Wine 9th edition 1000
奈特基础组织学:配套组织病理学(第4版)(Netter's Essential Histology With Correlated Histopathology) 800
John McDowells Bildungstheorie 800
Social Psychology in the Real World 600
八旗制度の研究 600
热门求助领域 (近24小时)
化学 材料科学 医学 生物 纳米技术 计算机科学 工程类 有机化学 化学工程 生物化学 物理 复合材料 内科学 催化作用 光电子学 人工智能 细胞生物学 无机化学 物理化学 数学
热门帖子
关注 科研通微信公众号,转发送积分 8180531
求助须知:如何正确求助?哪些是违规求助? 9570507
关于积分的说明 21812974
捐赠科研通 7776619
什么是DOI,文献DOI怎么找? 3433286
关于科研通互助平台的介绍 2557539
邀请新用户注册赠送积分活动 2479185