Magnetization transfer (MT) is a phenomenon in which magnetization is exchanged due to the interaction between two proton pools: the free (water) pool and the bound (macro-molecular) pool. Magnetization transfer is often an undesirable effect, reducing the longitudinal magnetization and signal intensity or serving as a confounding factor. However, MT can be utilized as a contrast mechanism, differentiating tissues based on the macro-molecular content. This sensitivity is attractive for detecting and monitoring diseases that change the content of the brain tissues, such as multiple sclerosis or tumor. Quantitative magnetization transfer (qMT) imaging seeks to model the MT effect to produce quantitative parameters characterizing the exchange process. The dynamic of the two-pool system can be described by the
addition of two parameters to the standard Bloch-McConnell equation: the magnetization exchange rate from the free to the bound pool, denoted as $k_f$, and the ratio of the bound pool and the free pool, denoted as F. Several acquisition methods have been proposed to probe the two-pool system. However, most methods require a long scan time to acquire the data at different strengths of the MT effect. The post-processing time also poses a problem, as the model needs to be fitted to the acquired data for every pixel. This fitting process is a time-consuming task, especially if performed with whole-brain data.
This dissertation presents several attempts at tackling these issues through deep learning. The first study explored the application of deep learning to accelerate the acquisition and fitting of inter-slice qMT data. Two deep learning models, qMTNet-acq and qMTNet-fit, were proposed to accelerate each task, respectively. The models were combined to produce qMTNet-1 and qMTNet-2, which could perform both tasks. The proposed networks generated qMT parameters consistent with the conventional fitting method at a fraction of the processing time. The network also produced good fitting results with 3 times less acquired data. The second and third studies focused on on-resonant multiple phase-cycles
bSSFP (mPC-bSSFP-qMT), a recently introduced qMT method that can also provide $T_1$, $T_2$, and $B_0$ maps. In the second study, a physics-informed deep neural network was proposed to improve the fitting of mPC-bSSFP-qMT. The network was trained using synthetic data generated from the signal model. This approach allowed the creation of potentially unlimited training data and matching ground truth without acquiring actual in-vivo data. The proposed method demonstrated better accuracy than the conventional ellipse fitting method on both simulated and in-vivo data. We also showed that the network was more robust to noise and with fewer acquisitions, which is attractive for integrating the method
into clinical practice. In the third study, we explored further improvements to the mPC-bSSFP-qMT sequence, specifically through the optimization of the acquisition schedule with a learning-based method, as well as accelerating the data acquisition through multi-contrast sampling pattern optimization and reconstruction. Results showed that the proposed method could discover acquisition schedules that can reduce the fitting error of the parameters. The multi-contrast reconstruction method performed well on both retrospective and prospective data. Combining the two approaches enabled highly accelerated mPCbSSFP-qMT with high spatial resolution. Overall, the proposed methods described in this dissertation have shown several technical improvements for accelerating and improving qMT imaging.
자화 전이(Magnetization transfer, MT)은 자유(물) 풀과 결합된(매크로분자) 풀 사이의 상호작용으로 인해 자화율이 교환되는 현상이다. MT은 종방향 자화율과 신호 강도를 감소시키거나 혼란 요소로 작용하는 불필요한 효과로 종종 여겨지다. 그러나 MT는 매크로분자 내용에 기반하여 조직을 구별하는 대비 메커니즘으로 활용될 수 있다. 이 민감도는 다발성 경화증이나 종양과 같이 뇌 조직의 내용을 변화시키는 질병을 탐지하고 추적하는 데 흥미로운 특성을 제공한다. 정량적인 자화 전이(qMT) 영상은 MT 효과를 모델링하여 교환 과정을 특성화하는 정량적 매개변수를 생성하기 위해 노력한다. 이 두 풀 시스템의 동적은 자유 풀에서 결합된 풀로의 자화율 교환 속도를 나타내는 $k_f$ 와 결합된 풀과 자유 풀의 비율을 나타내는 F의 두 매개변수를 표준 블로흐-맥코넬 방정식에 추가하여 설명할 수 있다. 두 풀 시스템을 탐사하기 위해 여러 취득 방법이 제안되었다. 그러나 대부분의 방법은 MT 효과의 강도를 다른 강도로 데이터를 취득하기 위해 긴 스캔 시간을 필요로 한다. 또한 모델은 획득한 데이터에 대해 모든 픽셀에 맞게 적합되어야 하므로 후처리 시간도 문제가 된다. 특히 전체 뇌 데이터로 수행되는 경우에는 적합 과정이 시간이 많이 소요되는 작업이다.
이 학위 논문은 이러한 문제를 해결하기 위해 심층학습을 통해 여러 시도를 제시한다. 첫 번째 연구에서는 inter-slice qMT 데이터의 취득과 적합을 가속화하기 위해 심층학습의 응용을 탐구했다. 각각 qMTNet-acq와 qMTNet-fit이라는 두 개의 심층학습 모델이 제안되었으며, 이 모델들은 각각 해당 작업을 가속화하기 위해 설계되었다. 이러한 모델들을 결합하여 qMTNet-1과 qMTNet-2를 만들었으며, 이들은 두 작업을 동시에 수행할 수 있다. 제안된 네트워크는 처리 시간의 일부만 소요하여 전통적인 적합 방법과 일관된 qMT 매개변수를 생성했다. 네트워크는 획득 데이터를 3배나 줄인 상태에서도 좋은 적합 결과를 도출했다. 두 번째와 세 번째 연구는 최근 소개된 qMT 방법 중 하나인 공진 다중 위상주기 bSSFP (mPCbSSFP-qMT)에 초점을 맞추었으며, 이 방법은 $T_1$, $T_2$, 그리고 $B_0$ 맵도 제공할 수 있다. 두 번째 연구에서는 물리학적 지식을 활용한 심층신경망을 제안하여 mPC-bSSFP-qMT의 적합성을 개선했다. 이 신경망은 신호 모델로부터 생성된 합성 데이터를 사용하여 훈련되었다. 이 접근법을 통해 실제 생체 내 데이터를 획득하지 않고도 잠재적으로 무제한의 훈련 데이터와 일치하는 참값을 생성할 수 있었다. 제안된 방법은 모의 실험 및 실제 실험 데이터 양측에 대해 기존의 타원 적합 방법보다 더 정확한 결과를 보여주었다. 또한 네트워크는 잡음에 대해 더 강건하며 적은 획득으로도 우수한 성능을 보여줘서 임상 실무에 통합하기에 흥미로운 결과를 도출했다. 세 번째 연구에서는 mPC-bSSFP-qMT 시퀀스의 추가적인 개선을 탐구하였다. 특히, 학습 기반 방법을 통한 취득 일정 최적화와 다중 대비 샘플링 패턴 최적화 및 재구성을 통해 데이터 취득을 가속화하는 방법을 연구하였다. 결과적으로 제안된 방법은 매개변수의 적합 오차를 줄일 수 있는 취득 일정을 찾아낼 수 있었다. 다중 대비 재구성 방법은 회고적 및 전망적 데이터 양측에서 우수한 성능을 보였다. 이 두 가지 접근법을 결합하여 고공간 해상도의 mPC-bSSFP-qMT를 높은 가속으로 구현할 수 있다. 총괄적으로, 본 학위 논문에서 제안된 방법들은 qMT 영상을 가속화하고 개선하기 위해 여러 기술적 개선점을 보여주었다.
