Einsatz von generativem Deep Learning zur Verkürzung der Kalibrationszeit in der Ultrahochfeld-MRT
7. Februar 2022
Boris Eberhardt, Benedikt A. Poser, N. Jon Shah and Jörg Felder
Die Magnetresonanztomographie bei ultrahohem Feld (UHF) ist aufgrund des höheren Signal-Rausch-Verhältnisses (SNR) und der höheren räumlichen Auflösung von großem Nutzen. Diese Vorteile haben jedoch ihren Preis, denn höhere Feldstärken führen zu größeren HF-Inhomogenitäten und einer höheren Energiedeposition mit einer entsprechend höheren spezifischen Absorptionsrate (SAR).
Die parallele Sendeanregung mit Speichen-Trajektorien (pTX) kann einige dieser Probleme entschärfen. Zu diesem Zweck verwenden die derzeitigen Algorithmen für die Berechung von HF-Anregungsimpulsen entweder die Messung von Feldkarten mit anschließender nichtlinearer Optimierung oder einen universellen Ansatz, bei dem robuste vorberechnete Impulse verwendet werden.
In dieser Forschungsarbeit wird eine Zwischenmethode vorgestellt und bewertet, die eine Teilmenge der gemessenen Feldkarten in Kombination mit generativen maschinellen Lernmodellen verwendet, um die Pulskalibrierungszeit zu reduzieren und gleichzeitig eine maßgeschneidertere Anregung als robuste Pulse (RP) anzubieten.
Es wird die Möglichkeit des Einsatzes von maschinellen Lernmodellen zur Bild-zu-Bild-Übersetzung und semantischen Bildsynthese auf der Grundlage von GANs (Generative Adversarial Networks, zu Deutsch etwa „erzeugende gegnerische Netzwerke“) zur Ableitung der fehlenden Feldkarten untersucht. Darüber hinaus wird ein HF-Pulsdesign untersucht, das ein prädiktives maschinelles Lernmodell einsetzt, um Lösungen für das nichtlineare Pulsdesignproblem zu finden. Zum Beweis des Konzepts werden Simulationsergebnisse vorgestellt, die mit den vorgeschlagenen maschinellen Lernansätzen erzielt wurden, die auf einem begrenzten Datensatz, der in vivo erfasst wurde, trainiert wurden.
Die Ergebnisse zeigen, dass die erreichte Anregungshomogenität, die auf der Hälfte der in den Kalibrierungsscans erfassten B+1-Karten und der Hälfte der mit GANs synthetisierten B+1-Karten basiert, mit den modernsten Impulsentwurfsmethoden vergleichbar ist, wenn der vollständige Satz von Kalibrierungsdaten verwendet wird, während die Gesamtkalibrierungszeit halbiert wird. Durch den Einsatz von RP-Wörterbüchern oder maschinell erlernten HF-Pulsvorhersagen kann die Gesamtkalibrierungszeit erheblich reduziert werden, da diese Methoden nur Sekunden bzw. Millisekunden pro Schicht benötigen.
Indem fehlende Daten durch synthetische Daten ersetzt werden, die von maschinellen Lernmodellen generiert werden, ist es möglich, bei der anfänglichen Kalibrierung Zeit zu sparen und entweder die HF-Impulse zu optimieren oder eine bessere Auswahl zu treffen, wenn vorberechnete Impulse verwendet werden. Es ist zu erwarten, dass Deep Learning auf diese Weise in Zukunft zu einem effizienteren klinischen Durchsatz beitragen wird.
Originalpublikation: B1 field map synthesis with generative deep learning used in the design of parallel-transmit RF pulses for ultra-high field MRI