IR2QSM: Quantitative Susceptibility Mapping via Deep Neural Networks with Iterative Reverse Concatenations and Recurrent Modules

本文提出了一种新颖的基于深度学习的IR2QSM方法，用于QSM重建。QSM是一种MRI相位后处理技术，用于提取组织磁化率分布，具有在神经疾病研究中展示出的显著潜力。然而，偶极反演的病态特性使得从组织场中重建QSM容易受到噪声和伪影的影响。本文中，我们设计了一个迭代四次的反向连接和中间循环模块增强的U-net，从而极大地提高了潜在特征利用的效率，提出了一种新颖的基于深度学习的IR2QSM方法，用于QSM重建。我们进行了模拟和体内实验，将IR2QSM与几种传统算法（MEDI和iLSQR）以及最先进的深度学习方法（U-net、xQSM和LPCNN）进行了比较。结果表明，与其他方法相比，IR2QSM能够获得具有显著提高的准确性和减轻伪影的QSM图像。特别地，在模拟实验中，IR2QSM平均NRMSE（27.59%）最佳，比iLSQR、MEDI、U-net、xQSM、LPCNN分别低15.48%、7.86%、17.24%、9.26%和29.13%，并在体内数据中导致改进的QSM结果和更少的伪影。

提高MRI相位数据处理中Quantitative susceptibility mapping (QSM)重建的准确性和降低噪音和伪影的问题。

提出了一种基于深度学习的IR2QSM方法，通过四次迭代的逆连接和中间循环模块增强U-net，显著提高了潜在特征利用的效率。

通过模拟和在体实验，将IR2QSM与传统算法（MEDI和iLSQR）和最先进的深度学习方法（U-net、xQSM和LPCNN）进行比较。结果表明，IR2QSM能够获得具有显著提高的准确性和减轻伪影的QSM图像。IR2QSM在模拟实验中表现最佳，其NRMSE平均值为27.59％，比iLSQR、MEDI、U-net、xQSM和LPCNN分别低15.48％、7.86％、17.24％、9.26％和29.13％，并且在体数据上能够获得更好的QSM结果。

近期相关研究包括：1）通过使用深度学习技术来解决MRI相位数据处理中的QSM重建问题；2）利用不同的算法来改善MRI相位数据处理中的QSM重建。