Abstract
目的：陽子磁気共鳴分光画像法（^1H MRSI）は、in-vivoで全脳の代謝物濃度をマッピングすることを可能にします。しかし、臨床応用における長年の課題は代謝物の定量であり、スペクトルのフィッティングに広範な時間を要する場合があります。最近、深層学習手法により、全脳の代謝物定量をわずか数秒で行えるようになってきました。しかし、ニューラルネットワークの実装はしばしば設定の柔軟性が乏しく、事前に定義されたパラメータ設定を変更するには再学習が必要です。 方法：本研究では、全脳^1H MRSIにおける代謝物定量のためのスペクトルフィッティング用のハイパーネットワークであるHyperFitSを導入します。HyperFitSは、広範なベースライン補正および水抑制因子に対して柔軟に適応します。 結果：3Tおよび7Tで取得した、人被験者の水抑制MRSIと水非抑制MRSI（等方分解能10 mm、3.4 mm、2 mm）から得られた代謝物マップをHyperFitSで定量し、従来のLCModelによるフィッティングと比較しました。代謝物マップは、新手法とゴールドスタンダード手法の間で顕著な一致を示し、HyperFitSによりフィッティング時間が有意に短縮されました。定量結果はさらに、ベースラインのパラメトリゼーションが代謝物定量に与える影響を強調しており、その結果は最大30%まで変化し得ます。 結論：HyperFitSは最先端の従来手法と強い一致を示しつつ、処理時間を数時間から数秒へと短縮します。従来の深層学習に基づくスペクトルフィッティング手法と比較して、HyperFitSは幅広い設定の柔軟性を可能にし、再学習なしで、複数のプロトコルおよび磁場強度で取得したデータ品質に適応できます。
