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

目的：扩散加权磁共振成像（DWI-MRI）所得的表观扩散系数（ADC）图提供了关于组织中水分子的功能测量。然而，DWI-MRI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换器模型（MPR-ViT），它利用ViT层的长程上下文和卷积算子的精度。网络中的残差块显著提高了模型的表征能力。将MPR-ViT模型应用于501例胶质瘤病例的T1w和T2-液体衰减反转恢复图像，包括预处理的ADC图。选择的患者分别划分为训练（N=400）、验证（N=50）和测试（N=51）集。使用预处理的ADC图作为真实值，评估模型性能，并与Vision卷积变换器（VCT）和残差视觉变换器（ResViT）模型进行比较。 结果：使用T1w + T2-FLAIR MRI作为输入，结果如下：MPR-ViT-峰值信噪比（PSNR）：31.0 +/- 2.1，均方误差（MSE）：0.009 +/- 0.0005，结构相似性指数（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。定性和定量结果表明，所提出的MR-ViT模型对地面真实数据的表现优于其他模型。 结论：我们展示了使用MPR-VCT模型可以从结构性MRI中合成高质量的ADC图。我们的预测图像与地面真实体积的一致性比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，特别是当ADC图具有伪影或不可用时。

开发一个深度学习框架来从多参数MR图像中合成ADC图，以解决DWI MRI成像的时间消耗和图像伪影导致ADC测量不准确的问题。

提出了一个基于残差视觉变换器模型（MPR-ViT）的方法，结合了ViT层的长程上下文和卷积运算符的精度，同时使用残差块显著增加了模型的表征能力。

使用T1w和T2-FLAIR MRI作为输入，MPR-ViT模型的表现优于Vision Convolutional Transformer（VCT）和residual vision transformer（ResViT）模型，PSNR为31.0 +/- 2.1，MSE为0.009 +/- 0.0005，SSIM为0.950 +/- 0.015。模型的性能通过消融研究进行了评估，研究还探讨了每个输入序列对性能的相对影响。

最近的相关研究包括：1.使用深度学习合成ADC图像的其他方法；2.改进DWI MRI成像以减少伪影的方法。