Applications of Deep Neural Networks in Pulse Design with Parallel Transmission for Ultra-High Field MRI

Abstract

To hovedmål er undersøkt i denne oppgaven, som begge består av å prediktere komplekse vekter for parallelltransmisjon (PTx) for en 8-kanals transmit (Tx) 32-kanal mottak (Rx) Nova hodespole på en Simenes Magneton 7T med dype nevrale nettverk (DNNs). Hovedresultatene presentert her er basert på anonymiserte data (B1+- and B0-kart) fra 17 forskjellige skanneøkter, som er adskilt på en frivillig-til-frivillig basis før de blir anvendt i pulsdesign. En foreslått matching-metode basert på matching av rekonstruerte magnitude-3D-bilder fra de respektive skanningene med Pearsons Korrelasjonskoeffisient (PCC) er presentert. Metoden gir en ren adskilling av pasientene, men viser seg å være sensitiv til artefakter fra preprosessering og valg av maske- og PCC-terskler. Grunnleggende teori knyttet til MRI, PTx og Dyp Læring er også grundig gjennomgått i denne oppgaven.

For det første hovedmålet blir to forskjellige fler-lags perceptron (MLP) nevrale nettverk (NNs) trente, validerte og testet for prediksjonen av 8 universelle (dvs. uavhengig av forsøksperson) PTx-vekter for RF-shimming for generelt bruk hos frivillige, med målet om å maksimere konsentrasjonen av RF-amplitude over en liten (cirka) 2x2x2cm3 kube flyttet rundt til bruker-definerte områder i hjernen for bruk i f.eks. én-voksel-spektroskopi (SVS), mens den estimerte maksimale og hode-midlede lokale SAR10g-en blir minimert. Resultatene antyder at et nettverk trent på data hvor nettverks selv lærer de ønskede innstillingene for universelle pulser (UP) under treningen, presterer i gjennomsnitt bedre enn et nettverk som er lærer innstillingene for UP gjennom treningsdataene hvor UP allerede er forhåndskalkulerte. Nettverkenes ytelse er sammenlignet med forhåndskalkulerte universelle shims og shims skreddersydde til frivillige, som begge nettverkene repsektivt klarer å gjenskape til en tilstrekkelig grad. PTx standard-modus (CP-modus) og en kun-fase shim (vektet CP-modus) er også kalkulert for sammenligning. Den vektede CP-modusen er skreddersydd til å gi positiv faseinterferens fra hver transmit-kanal's sensitivitet i kubens midterste voksel. De nettverkspredikterte pulsene, forhåndskalkulerte UP og skreddersydde pulser blir alle utklassert av den vektete CP-modusen. For fremtidig arbeid er en metode foreslått, hvor man trener et nettverk på lik måte som presentert her, men med kun-fase shims fra den vektede CP-modus (fremfor "fulle" shims med både amplitude og fase).

For det andre hovedmålet blir et konvolusjonelt nevralt nettverk trent, validert og tested med få antall eksempler (13, 2 og 2 eksempler i trenings-, validerings- og testsettene, respektivt) for prediksjonen av tids-variende PTx-vekter til en 8-kT-punkts k-roms-bane for hel-hjerne flip-angle (FA) homogenisering for generelt bruk hos frivillige, med målet om å maksimere FA-homogenetiet (målt med variasjonskoeffisienten (CoV) til FA-ene) over hjernen, mens den estimerte maksimale og hode-midlede lokale SAR10g-en blir minimert. Prediksjonene fra CNN er basert utelukkene på RF-amplitude-kartet som følger av PTx standard-modus (CP-modus). For sammenligning av ytelse blir UP og pulser skreddersydde til frivillige kalkulert. Pulsinnstillingene prediktert av CNN deler samme SAR-nivåer (maksimum og hode-midlede SAR10g) som sitt skreddersydde motstykke, men med omtrent samme FA-inhomogenitet som UP. Fremgangsmåten med CNN presentert her burde blir videre undersøkt med muligheten for å inkludere mer MRI data (f.eks. relativ RF fase-data og off-resonanser) i sin input for å forbedre sine prediksjoner.

Ettersom alle resultatene som er presentert her avhenger av at adskillingsprosessen gir sanne/ekte adskillinger av frivillige, er de kun indikative. De to hovedmålene i denne oppgaven burde anvendes på data som garantert er samlet fra forskjellige frivillige. Selve adskillingsprosessen burde også bli verifsert ved å testes på datasett fra frivillige hvor den sanne adskillingen allerede er kjent. Alle resultatene presentert her burde også valideres på større datasett.

Nøkkelord: MRI, UHF, PTx, RF, B1+, Shimming, Flip-Angle, Homogenization, Brain, Pulse Design, Deep Learning, Neural Network, CNN, MLP

Two main objectives are investigated in this thesis, both of which consist of predicting the complex parallel transmission (PTx) weights for an 8-channel transmit (Tx) 32-channel receive (Rx) Nova head coil on a Siemenes Magneton 7T by deep neural networks (DNNs). The main results are based on anonymized data (B1+- and B_0-maps) from 17 different scan sessions, which are discerned on a volunteer-to-volunteer basis prior to being applied in pulse designs. The proposed matching consisted of matching reconstructed magnitude 3D images from the respective scans with the Pearson Correlation Coefficient (PCC). The method yields a clean volunteer separation, but is deemed sensitive to artifacts from pre-processing steps and the choice of masking- and PCC-thresholds. Fundamental MRI-, PTx- and Deep Learning theory is also thoroughly reviewed in this thesis.

For the first main objective, two separate multi-layer preceptron (MLP) neural networks (NNs) are trained, validated and tested for the prediction of 8 universal (i.e. subject-independent) PTx-weights for RF-shimming for general volunteer applications. The predictions' shim configurations are aimed at maximizing the concentration of RF-amplitude over a small (approximately) 2x2x2cm3 cube shifted around to user-defined locations in the brain for use in e.g. Single-Voxel Spectroscopy (SVS), while minimizing the estimated maximum and head-averaged local SAR10g. The results indicate that a network trained with data for which the network learns the desired universal pulse (UP) settings during network training performs better on average than for one which the universal pulse settings are already pre-calculated and contained within its training set. The networks' performance is compared to that of pre-calculated universal shims and volunteer-tailored shims, which the two networks respectively manage to sufficiently mimic. The PTx default-drive shim (CP-mode) and a phase-only shim (weighted CP-mode) are also computed for comparison. Weighted CP-mode is tailored to yield constructive phase-interference of each transmit channel's (complex) sensitivity at the cubes' center voxel. The network-predicted pulses, pre-calculated UPs and tailored pulses are all outperformed by the weighted CP-mode. For further work, a method is proposed to train a network in a similar fashion to those presented here, but with weighted CP-mode shims (phase-only) instead of full shims (amplitude and phase).

Secondly, a convolutional neural network (CNN) is trained, validated and tested with sparse amounts of examples (13, 2 and 2 examples in the training-, validation- and test sets, respectively) for the prediction of time-varying PTx-weights of an 8-kT-point trajectory for whole-brain flip-angle (FA) homogenization for general volunteer applications, with the goal of maximizing the FA homogeneity (measured by the coefficient of variance (CoV) of the FAs) over the brain, while minimizing the estimated maximum and head-averaged local SAR10g. The prediction from the CNN is based solely on the resulting RF-amplitude map from PTx default-drive (CP-mode). For performance comparison, a UP and volunteer-tailored pulses are computed. The CNN-predicted pulse settings share approximately equal SAR-levels (maximum and head-average SAR10g) as its tailored counterparts, but with approximately equal FA-inhomogeneity as the UP. The CNN-approach presented here should be further investigated to include more MRI data (e.g. relative RF phase data and off-resonances) in its input to improve its predictions.

As all main results presented here rely on the discernment process yielding true volunteer discernments, they are all only indicative. The two main objectives of this thesis should be applied to data which is guaranteed to originate from different volunteers. The discernment process itself should also be verified by application on a set of volunteer data for which the true discernment is already known. All results presented here should also be validated over larger sets of volunteer data.

Keywords: MRI, UHF, PTx, RF, B1+, Shimming, Flip-Angle, Homogenization, Brain, Pulse Design, Deep Learning, Neural Network, CNN, MLP