Acquisition- and Reconstruction-Techniques for Sodium Quantification in the Skeletal Muscle using Sodium Magnetic Resonance Imaging (23Na MRI)

Language
en
Document Type
Doctoral Thesis
Issue Date
2023-01-23
Issue Year
2023
Authors
Utzschneider, Matthias
Editor
Abstract

Measurement of the tissue sodium concentration (TSC) in human tissue offers important insights into pathological- and biological processes with applications in nephrology, neurology and myology. The TSC can be determined non-invasively by sodium magnetic resonance imaging (23Na MRI). The aim of this work is to accelerate 23Na MRI for TSC measurements in the skeletal muscle. Reconstruction methods and adapted acquisition techniques were investigated to reduce the acquisition time for 23Na MRI. The time saved could improve the applicability of TSC measurements for the use in the clinical environment and clinical studies. The main focus of this thesis is on compressed sensing (CS) reconstruction techniques and anisotropic acquisition techniques with reduced undersampling artifacts. Here, the acquisition time reduction is achieved by undersampling, which means measuring less data points than needed for an image with a certain resolution. This undersampling causes artifacts and decreases image quality. The acquisition sequences and reconstruction techniques used and developed in this thesis seek to remedy these deficiencies. First, 3D dictionary-learning compressed sensing (3D-DLCS) was evaluated for reconstruction of undersampled 23Na MRI data acquired with a density-adapted 3D-radial sampling sequence with a cuboid field-of-view (DA-3DPR-C). The results of the study with simulations and in vivo measurements indicated that 3D-DLCS could be applicable for a four-fold acceleration of TSC measurements in the skeletal muscle. However, the quantification error decrease was only about 10% compared to the reference. Based on these results, optimized acquisition techniques were investigated and developed for accelerated 23Na MRI. Two acquisition sequences were used as a basis: the DA-3DPR-C method and a 3D acquisition-weighted density-adapted stack-of-stars sequence (AWSOSt). Two further acquisition sequences were developed to increase the artifact incoherence: A golden ratio rotated stack-of-stars sequence based on AWSOSt and a DA-3DPR-C adaption with golden means reordered projections. Comparisons in simulations and an in vivo/vitro study showed that the quantification error is decreased and the artifact incoherence is increased by adapting acquisition trajectories using the golden angle and golden means. Additionally, three CS algorithms were compared for the adapted stack-of-stars acquisition sequence in simulations and an in vivo/vitro study: 3D-DLCS, total variation CS (TV-CS) and TV-CS with a block matching prior. In this comparison, the highest quantification error decrease of 35% was observed with 3D-DLCS for an acceleration factor of 4.1 and a measurement time of less than two minutes. The results demonstrate the impact of artifact incoherence for CS reconstruction. Furthermore, the investigations showed that applicable acquisition times are achievable by artifact-reduced acquisition and CS reconstruction. Beyond CS, deep learning (DL) based reconstruction was explored in a preliminary study. A U-Net was trained using 350 23Na MRI calf measurements. The quantification error was decreased by 64% with the U-Net compared to the reference method. These promising results indicate that DL-based reconstruction could probably be the next step for accelerated 23Na MRI.

Abstract

Die Natriumkonzentration in menschlichem Gewebe (TSC) kann Aufschluss über Krankheitsverläufe und biologische Prozesse geben u.a. in der Nephrologie, der Neurologie und der Myologie. Die TSC kann nicht-invasiv mit der Methode der Natrium-Magnetresonanztomographie (23Na MRT) bestimmt werden. Ziel dieser Arbeit ist die Beschleunigung der 23Na MRT zur Messung der TSC im Muskelgewebe. Neue Rekonstruktions- und Akquisitionsmethoden wurden untersucht und entwickelt, um die Messzeit der 23Na MRT zu reduzieren. Die reduzierte Messzeit verbessert die Anwendbarkeit der Messungen für klinische Studien und für den Einsatz im klinischen Umfeld. Der Hauptfokus dieser Arbeit liegt auf Compressed Sensing (CS) Rekonstruktionsmethoden und anisotropen Messtechniken. Die Reduktion der Messzeit für MRT kann unterschiedlich erreicht werden. Für diese Arbeit wurde dazu das sogenannte Untersampling eingesetzt. Diese Technik reduziert die Messzeit durch das Weglassen von Datenpunkten, die notwendig wären für ein Bild mit einer bestimmten Auflösung. Durch Untersampling entstehen allerdings Bildartefakte, die die Bildqualität beeinträchtigen. Die Rekonstruktionsalgorithmen und Messtechniken, die in dieser Arbeit entwickelt und verwendet werden, haben zum Ziel, diese Bildartefakte zu verringern. Zunächst wurde der Algorithmus 3D dictionary-learning compressed sensing (3D-DLCS) zur Rekonstruktion von untergesampleten 23Na MRT Daten angewendet und evaluiert. Simulationen und in vivo Messungen wurden mit einer dichteangepassten 3D-radialen Messsequenz mit kubischem Gesichtsfeld (DA-3DPR-C) durchgeführt. Die Ergebnisse wiesen darauf hin, dass 3D-DLCS zur vierfachen Beschleunigung von 23Na MRT Messungen im Skelettmuskel anwendbar ist. Allerdings wurde der Quantifizierungsfehler gegenüber der Referenzmethode nur um etwa 10% reduziert. Basierend auf diesen Resultaten wurden Ansätze gesucht, um die Messsequenzen für beschleunigte 23Na MRT zu optimieren. Als Basis dienten die DA-3DPR-C Sequenz und eine 3D akquisitionsgewichtete Stack-of-Stars Sequenz mit Dichteanpassung (AWSOSt). Zum Zweck der Reduktion von Untersampling-Artefakten wurden zwei Sequenzen entwickelt: Eine Adaption der AWSOSt Sequenz mit Sternrotationen basierend auf dem goldenen Schnitt und eine DA-3DPR-C Variante mit Projektionsneuordung basierend auf den goldenen Mittelwerten. Ein Vergleich in einer Simulations- und in vivo/vitro-Studie zeigte, dass sich durch die Adaption der Basissequenzen mittels des goldenen Schnitts bzw. der goldenen Mittelwerte eine Steigerung der Artefakt-Inkohärenz und dadurch eine Reduktion des Quantifizierungsfehlers erreichen lässt. Für die adaptierte Stack-of-Stars Sequenz wurden drei CS Algorithmen in Simulationen und Messungen verglichen: 3D-DLCS, total variation CS (TV-CS) und TV-CS mit einem Block-Matching Prior. In diesem Vergleich konnte mit 3D-DLCS die größte Verbesserung des Quantifizierungsfehlers von 35% gegenüber der Referenzmethode erreicht werden mit einem Beschleunigungsfaktor von 4.1 und einer Messzeit unter zwei Minuten. Die Ergebnisse demonstrieren den Einfluss der Artefakt-Inkohärenz auf CS Rekonstruktion. Außerdem zeigen die Ergebnisse, dass Artefakt-reduzierte Akquisition und CS Rekonstruktion klinisch anwendbare Messzeiten für 23Na MRT ermöglichen. Über CS Rekonstruktion hinaus wurde Deep Learning (DL) als Ansatz für 23Na MRT Bildrekonstruktion in einer explorativen Studie untersucht. Ein U-Net wurde mit einem Datensatz von 350 23Na MRT Wadenmessungen trainiert. Das U-Net reduziert den Quantifizierungsfehlers um 64% verglichen mit der Referenzmethode. Diese vielversprechenden Ergebnisse weisen darauf hin, dass Rekonstruktionsansätze basierend auf DL für beschleunigtes 23Na MRT wahrscheinlich der nächste Schritt sind.

DOI
Zugehörige ORCIDs