Deep Learning Based Apparent Diffusion Coefficient Map Generation1 from Multi-parametric MR Images for Patients with Diffuse Gliomas

目的：扩散加权（DWI）MRI导出的表观扩散系数（ADC）图提供了有关组织中水分子的功能测量。然而，DWI耗时且容易受到图像伪影的影响，导致ADC测量不准确。本研究旨在开发一种深度学习框架，从多参数MR图像中合成ADC图。 方法：我们提出了多参数残差视觉变压器模型（MPR-ViT），它利用ViT层的长程上下文以及卷积运算符的精度。网络中的残差块显着增加了模型的表示能力。MPR-ViT模型应用于501个胶质瘤病例的T1w和T2-流体抑制恢复图像，该数据集包括预处理的ADC图。选择的患者分别分为训练（N=400）、验证（N=50）和测试（N=51）集。使用预处理的ADC图作为基准，评估并与Vision卷积变压器（VCT）和残差视觉变压器（ResViT）模型进行比较。 结果：使用T1w + T2-FLAIR MRI作为输入的结果如下：MPR-ViT - PSNR：31.0 +/- 2.1，MSE：0.009 +/- 0.0005，SSIM：0.950 +/- 0.015。此外，消融研究显示了每个输入序列对性能的相对影响。定性和定量结果均表明，所提出的MR-ViT模型相对于基准数据表现良好。 结论：我们展示了可以使用MPR-VCT模型从结构MRI合成高质量的ADC图。我们预测的图像与基准体积的符合度比ResViT和VCT预测更好。这些高质量的合成ADC图对于疾病诊断和干预特别有用，尤其是当ADC图存在伪影或不可用时。

开发一种深度学习框架，从多参数MR图像中合成ADC图，以解决DWI MRI成像中的图像伪影问题。

提出了一种多参数残差视觉变换器模型（MPR-ViT），该模型利用ViT层的长程上下文以及卷积操作的精度。通过在网络中增加残差块显著增加了模型的表征能力。在公开数据集上进行了评估，并与Vision Convolutional Transformer（VCT）和残差视觉变换器（ResViT）模型进行了比较。

使用T1w和T2-FLAIR MRI作为输入，MPR-ViT模型的PSNR为31.0 +/- 2.1，MSE为0.009 +/- 0.0005，SSIM为0.950 +/- 0.015。论文还进行了消融实验来评估每个输入序列对性能的相对影响。定量和定性结果都表明，所提出的MR-ViT模型在合成ADC图方面表现良好。

最近的相关研究包括：1）使用深度学习合成ADC图像的方法；2）使用不同的模型和方法来解决DWI MRI成像中的伪影问题。