MARC

 008250123s2024        us                              c    eng  d
■001000017162450
■00520250211152014
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382832807
■035    ▼a(MiAaPQ)AAI31331593
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aShih,  Shu-Fu.
■24510▼aMRI  Reconstruction  and  Motion  Compensation  Techniques  for  Liver  Fat  and  R2*  Quantification
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a183  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Wu,  Holden  H.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aMetabolic  dysfunction-associated  steatotic  liver  disease  (MASLD),  formerly  known  as  non-alcoholic  fatty  liver  disease  (NAFLD),  is  the  most  common  chronic  liver  disease  with  a  current  global  prevalence  of  25%  to  40%.  MASLD  is  associated  with  the  metabolic  syndrome  and  cardiovascular  morbidity,  and  can  progress  to  fibrosis  and  cirrhosis.  Chronic  liver  diseases  such  as  viral  hepatitis  and  MASLD  can  also  lead  to  hepatic  iron  overload.  Magnetic  resonance  imaging  (MRI)  provides  non-invasive  evaluation  of  hepatic  steatosis  and  iron  overload  by  quantifying  proton-density  fat  fraction  (PDFF)  and  R2*.  Conventional  MRI  techniques  for  liver  PDFF  and  R2*  quantification  require  breath-holding,  which  can  be  challenging  for  children  and  elderly  patients.  3D  stack-of-radial  MRI  techniques  have  been  proposed  for  self-gated  free-breathing  liver  PDFF  and  R2*  quantification.  However,  several  challenges  remain,  including  residual  streaking  artifacts  from  system  imperfections,  long  scan  acquisition  times, computationally  expensive  reconstructions,  and  insufficient  modelling  of  non-rigid  liver  motion  during  free-breathing.  Techniques  to  overcome  these  challenges  are  important  for  a  wide  clinical  adoption  of  free-breathing  MRI  techniques  for  liver  PDFF  and  R2*  quantification.  Additionally,  in  recent  years,  there  has  been  an  increased  interest  in  lower-field  MRI  systems.  A  less  expensive  lower-field  MRI  system  with  a  larger  bore  diameter  may  improve  accessibility  and  comfort  for  populations  with  obesity  and  at  risk  for  fatty  liver  diseases.  However,  the  low  signal-to-noise  ratio  problem  can  impact  image  quality  and  quantification  accuracy.  Therefore,  noise  reduction  techniques  are  important  to  improve  liver  PDFF  and  R2*  quantification  in  lower-field  MRI  systems.This  work  focuses  on  developing  MRI  reconstruction  techniques  to  improve  liver  PDFF  and  R2*  quantification.  First,  this  work  developed  a  phase-preserving  beamforming-based  technique  to  effectively  reduce  radial  streaking  artifacts  from  system  imperfections.  This  technique  can  be  further  integrated  with  motion-resolved  reconstruction  to  improve  self-gated  free-breathing  liver  PDFF  and  R2*  quantification.  Second,  this  work  developed  an  uncertainty-aware  physics-driven  deep  learning  network  for  rapid  reconstruction  of  PDFF  and  R2*  maps  from  self-gated  free-breathing  MRI.  The  uncertainty  maps  generated  from  the  network  can  be  used  to  predict  quantification  errors  and  improve  reliability  of  deep  learning  reconstruction  results.  Third,  this  work  developed  a  compressed  sensing  reconstruction  model  with  non-rigid  motion  compensation  to  improve  and  accelerate  self-gated  free-breathing  liver  PDFF  and  R2*  quantification.  Last,  this  work  developed  and  evaluated  image  and  k-space  denoising  techniques  that  can  improve  quantification  accuracy  and  precision  of  Cartesian-based  liver  PDFF  and  R2*  quantification  at  0.55T.  These  technical  advancements  can  provide  accurate  and  motion-robust  liver  fat  and  R2*  quantification.
■590    ▼aSchool  code:  0031.
■650  4▼aBioengineering
■650  4▼aMedical  imaging
■650  4▼aBiomedical  engineering
■650  4▼aNutrition
■653    ▼aDenoising
■653    ▼aFat
■653    ▼aLiver
■653    ▼aMotion  compensation
■653    ▼aChronic  liver  disease
■690    ▼a0202
■690    ▼a0574
■690    ▼a0541
■690    ▼a0570
■71020▼aUniversity  of  California,  Los  Angeles▼bBioengineering  0288.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162450▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books