MARC

 008260126s2025        us                              c    eng  d
■001000017358120
■00520260202103647
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314875315
■035    ▼a(MiAaPQ)AAI32092643
■035    ▼a(MiAaPQ)umichrackham006123
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aSalifu,  Mariama.
■24510▼aStrategies  for  Correcting  Respiration-Induced  B0  Variations  in  Oscillating  Steady-State  Functional  MRI  (OSS-fMRI)
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a125  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Noll,  Douglas  C.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aBlood-oxygen-level-dependent  (BOLD)  functional  MRI  (fMRI)  has  become  an  essential  tool  for  non-invasively  studying  brain  function,  allowing  scientists  to  measure  brain  activity  by  detecting  changes  in  blood  flow.  However,  its  limited  spatial  resolution  makes  it  challenging  to  capture  fine-scale  neural  activity,  such  as  depth-specific  signals  in  the  cortex  or  subtle  variations  in  brain  networks.  High-resolution  fMRI  has  the  potential  to  reveal  these  intricate  dynamics,  but  achieving  such  resolution  necessitates  a  high  thermal  signal-to-noise  ratio  (SNR),  which  diminishes  with  smaller  voxel  sizes.  Traditional  gradient  echo  (GRE)-based  fMRI  techniques  face  difficulties  with  this  trade-off  due  to  T2*  decay  and  thermal  noise.  One  possible  solution  is  the  use  of  ultra-high-field  (UHF)  scanners;  however,  these  scanners  are  costly,  making  them  impractical  for  routine  research  or  clinical  use.Oscillating  Steady-State  Imaging  (OSSI)  is  a  novel  fMRI  acquisition  method  which  leverages  a  large  oscillating  steady-state  signal,  achieving  twice  the  SNR  compared  to  GRE  imaging  under  matched  acquisition  parameters.  However,  OSSI  is  sensitive  to  off-resonance,  making  it  susceptible  to  physiological  noise,  particularly  respiratory  motion  which  can  reduce  the  temporal  SNR  (tSNR)  of  the  signal.  To  address  these  challenges,  this  dissertation  presents  multiple  dynamic  B0  correction  methods  to  mitigate  respiration-  and  drift-induced  signal  fluctuations  in  OSSI  fMRI.First,  we  developed  a  two-stage  deep  learning-based  retrospective  correction  method  for  OSSI  called  OSS-NET.  In  the  first  stage,  the  network  predicts  B0  changes  directly  from  the  OSSI  signal.  In  the  second  stage,  these  predicted  B0  changes  are  integrated  with  the  OSSI  signal  to  estimate  the  underlying  BOLD  response.  Our  findings  showed  that  OSS-NET-generated  B0  field  maps  exhibited  strong  spatial  agreement  with  GRE-based  double-echo  field  maps  and  achieved  higher  tSNR  compared  to  the  l2-norm  combination  method.  These  results  establish  OSS-NET  as  a  potential  post-processing  technique  for  OSSI,  providing  a  means  to  combine  the  OSSI  signal  and  reduce  respiration-induced  signal  fluctuations  simultaneously.Temporal  B0  changes  can  cause  shifts  in  the  OSSI  steady  state,  leading  to  time-varying  functional  contrasts.  These  shifts  can  diminish  or  completely  eliminate  the  functional  contrast  particularly  for  volumetric  acquisitions,  making  it  impossible  to  recover  through  post-processing  alone.  This  limitation  underscores  the  inadequacy  of  retrospective  correction  methods  and  highlights  the  need  for  prospective  correction  strategies.  In  the  second  part  of  this  thesis,  we  introduced  a  zeroth-order  real-time  correction  approach  using  free  induction  decay  navigators  (FIDNavs).  This  method  compensates  for  the  B0  changes  as  they  occur,  maintaining  temporal  stability  and  enhancing  functional  contrast.  In  vivo  experiments  demonstrated  the  efficacy  of  this  approach,  with  real-time  tracking  yielding  over  a  100%  increase  in  active  voxels  and  more  than  a  50%  improvement  in  mean  tSNR.Finally,  we  introduced  a  proof-of-concept  for  first-order  real-time  correction  using  FIDNavs.  This  approach  addresses  the  limitations  of  zeroth-order  correction,  which  assumes  uniform  B0  shifts  across  the  imaging  volume  and  may  be  ineffective  in  handling  spatially  varying  B0  field  changes.  These  variations  commonly  occur  in  non-axial  slices  or  3D  imaging  scenarios.  We  explored  two  strategies  for  rapidly  estimating  first-order  B0  changes  using  FIDNavs  acquired  from  each  coil.  The  first  approach  used  a  coupling  matrix  derived  from  a  calibration  scan,  while  the  second  leveraged  the  geometric  centroids  of  coil  sensitivity  maps  to  spatially  encode  the  FIDs.  We  implemented  the  calibration-based  approach  in  a  real-time  feasibility  study  on  a  phantom.  Our  results  demonstrated  substantial  improvements  in  tSNR  maps  and  a  marked  reduction  in  signal  fluctuations.
■590    ▼aSchool  code:  0127.
■650  4▼aBiomedical  engineering
■650  4▼aMedical  imaging
■650  4▼aPhysiology
■650  4▼aNeurosciences
■653    ▼aBrain  imaging
■653    ▼aPhysiological  noise  correction
■653    ▼aSteady  state  imaging
■653    ▼aBlood-oxygen-level-dependent
■690    ▼a0574
■690    ▼a0541
■690    ▼a0317
■690    ▼a0719
■71020▼aUniversity  of  Michigan▼bBiomedical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358120▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서