Alexandra Cristobal Huerta

it proefschrift stelt nieuwe technieken voor en onderzoekt deze voor het verkrijgen van
D drie dimensionale hoge resolutie hersen- en knie MR beelden, zonder verslechtering
van het beeld kwaliteit. De drie-dimensionale Fast Spin Echo (3D-FSE) pulse sequentie is
gekozen om te worden onderzocht, omdat het toelaat om kleine structuren van het lichaam
in de drie orthogonale vlakken van acquisitive af te beelden, en is vooral relevant in klinische
omgevingen voor de acquisitie van Proton Density (PD)-gewogen en T 2 -gewogen beelden van
de knie en hersenen. Echter, de lange acquisitietijd en de hoge specifieke absorptiesnelheid
(SAR) beperken zijn bredere acceptatie als standaardvolgorde binnen klinische protocollen.
Hoofdstuk 1 bevat een inleiding tot de fysica van magnetische resonantie (MR). Wij
introduceerden de algemene fysieke concepten, de twee hoofdreeksen waarop de meeste huidige
sequenties op zijn gebaseerd en de twee geavanceerde sequenties die in dit proefschrift zijn
onderzocht, met haar voordelen en nadelen. We lichten ook de drie meest populaire toe
reconstructietechnieken die momenteel beschikbaar zijn in de meeste sequenties en klinische
scanners. We sluiten dit hoofdstuk af met de introductie van het concept van Deep Learning
(DL) en haar voordelen.

In hoofdstuk 2 hebben we inzichten en richting gegeven over de meest geschikte acceler-
atietechniek een van dezen die beschikbaar zijn in klinische scanners om sneller hoge resolutie
PD-gewogen kniebeelden met een drie-dimensionale Fast Spin Echo (3D-FSE) sequentie. Wij
hebben Half Fourier (HF), Parallel Imaging (PI) en Compressed Sensing (CS) kwantitatief
vergeleken in termen van signaal-ruisverhouding (SNR), contrast-ruisverhouding (CNR) en
scantijd in een fantoom en in-vivo experimenten. Vanuit de verkregen resultaten hebben we
geconcludeerd dat PI de hoogste beeldkwaliteit onder de technieken, maar kent de langste
acquisitietijd. Bij het vergelijken van HF versus CS, verkrijgt het laatste meer wazige beelden
tussen weefsels dan HF voor dezelfde acquisitietijd. Daarom wordt HF voorgesteld als de
meest geschikte versnellingstechniek om te gebruiken voor PD-gewogen kniebeelden met
3D-FSE in klinische scanners.

Om de acquisitie van 3D-FSE sequenties verder te versnellen en SAR te verminderen,
in hoofdstuk 3 en hoofdstuk 4 de driedimensionale gradient en spin-echo (3D-GRASE)
sequentie is geïmplementeerd en onderzocht samen met PI en CS voor beeldvorming met hoge
resolutie. In deze hoofdstukken werden verschillende geschikte cartesische k-space trajecten
en k-space roosters voorgesteld en geevalueerd. Specifiek, in hoofdstuk 3 evalueert vier
verschillende k-space trajecten voor het verkrijgen van knie PD-gewogen beelden en twee
k-space trajecten voor hersen T 2 -gewogen beelden. Deze trajecten zijn gebaseerd op de SORT

it proefschrift stelt nieuwe technieken voor en onderzoekt deze voor het verkrijgen van
D drie dimensionale hoge resolutie hersen- en knie MR beelden, zonder verslechtering
van het beeld kwaliteit. De drie-dimensionale Fast Spin Echo (3D-FSE) pulse sequentie is
gekozen om te worden onderzocht, omdat het toelaat om kleine structuren van het lichaam
in de drie orthogonale vlakken van acquisitive af te beelden, en is vooral relevant in klinische
omgevingen voor de acquisitie van Proton Density (PD)-gewogen en T 2 -gewogen beelden van
de knie en hersenen. Echter, de lange acquisitietijd en de hoge specifieke absorptiesnelheid
(SAR) beperken zijn bredere acceptatie als standaardvolgorde binnen klinische protocollen.
Hoofdstuk 1 bevat een inleiding tot de fysica van magnetische resonantie (MR). Wij
introduceerden de algemene fysieke concepten, de twee hoofdreeksen waarop de meeste huidige
sequenties op zijn gebaseerd en de twee geavanceerde sequenties die in dit proefschrift zijn
onderzocht, met haar voordelen en nadelen. We lichten ook de drie meest populaire toe
reconstructietechnieken die momenteel beschikbaar zijn in de meeste sequenties en klinische
scanners. We sluiten dit hoofdstuk af met de introductie van het concept van Deep Learning
(DL) en haar voordelen.

In hoofdstuk 2 hebben we inzichten en richting gegeven over de meest geschikte acceler-
atietechniek een van dezen die beschikbaar zijn in klinische scanners om sneller hoge resolutie
PD-gewogen kniebeelden met een drie-dimensionale Fast Spin Echo (3D-FSE) sequentie. Wij
hebben Half Fourier (HF), Parallel Imaging (PI) en Compressed Sensing (CS) kwantitatief
vergeleken in termen van signaal-ruisverhouding (SNR), contrast-ruisverhouding (CNR) en
scantijd in een fantoom en in-vivo experimenten. Vanuit de verkregen resultaten hebben we
geconcludeerd dat PI de hoogste beeldkwaliteit onder de technieken, maar kent de langste
acquisitietijd. Bij het vergelijken van HF versus CS, verkrijgt het laatste meer wazige beelden
tussen weefsels dan HF voor dezelfde acquisitietijd. Daarom wordt HF voorgesteld als de
meest geschikte versnellingstechniek om te gebruiken voor PD-gewogen kniebeelden met
3D-FSE in klinische scanners.

Om de acquisitie van 3D-FSE sequenties verder te versnellen en SAR te verminderen,
in hoofdstuk 3 en hoofdstuk 4 de driedimensionale gradient en spin-echo (3D-GRASE)
sequentie is geïmplementeerd en onderzocht samen met PI en CS voor beeldvorming met hoge
resolutie. In deze hoofdstukken werden verschillende geschikte cartesische k-space trajecten
en k-space roosters voorgesteld en geevalueerd. Specifiek, in hoofdstuk 3 evalueert vier
verschillende k-space trajecten voor het verkrijgen van knie PD-gewogen beelden en twee
k-space trajecten voor hersen T 2 -gewogen beelden. Deze trajecten zijn gebaseerd op de SORT

112 Samenvatting

fasecoderingsstrategie in combinatie met lineaire of radiale modulatie. De prestatie van elk
traject is geëvalueerd in simulatie, in fantoom- en in-vivo experimenten door de Point Spread
Function (PSF) en Signaal-tot ruisverhouding (SNR) te meten en vergeleken met vergelijk-
bare 3D-FSE acquisities. Dit werk concludeerd dat SORT lineaire modulatiecodering voor
T 2 -gewogen afbeeldingen en SORT Radiale modulatiecodering met M =0 voor PD-gewogen
afbeeldingen beeldkwaliteit verkrijgt vergelijkbaar met 3D-FSE, terwijl de SAR met meer
dan 40% wordt verlaagd en de acquisitietijd met 20% wordt verkort. Anderzijds onderzoekt
Hoofdstuk 1 de effecten van de verschillende k-space trajecten voorgesteld in hoofdstuk 4,
samen met twee gemeenschappelijke k-space onderbemonsteringsroosters voor CS gecombi-
neerd met PI (CSPI) in PD gewogen en T 2 -gewogen 3D-GRASE acquisities. CSPI vereist een
onsamenhangende undersampled, een k-space raster met variabele dichtheid en een volledig
bemonsterd k-space centrum om een artefactvrije reconstructie te bereiken. Deze vereisten
zijn vervuld door twee onderbemonsterde rasters die in de literatuur worden voorgesteld voor
verschillende sequenties en toepassingen: Variable Density (VD) pseudo-random Gaussian
grid en VD Poisson-disc grid. De incoherentie van de verschillende combinaties van k-space
trajecten en undersampled k-space rasters werden geëvalueerd in simulatie, fantoom en in-vivo
experimenten, tot slot: dat i) bemonsteringspatronen die een VD Poisson-grid k-space raster
combineren in beide PD-gewogen en T 2 -gewogen contrasten verkregen de hoogste incoherentie
en ii) het traject is laag invloed op de resultaten.
Hoofdstuk 3 en hoofdstuk 4 toonde aan dat de kwaliteit van 3D-GRASE beelden sterk
afhangt van de traject toegepast tijdens de acquisitie. Bovendien kan het beeldcontrast
enigszins veranderen met betrekking tot Fast Spin Echo (FSE) als de acquisitieparameters niet
zorgvuldig zijn gekozen, vanwege de T 2 -gewogen contrast geïntroduceerd door de Gradient
Recalled Echos (GREs). In om een oplossing voor dit probleem voor te stellen, staat
er in hoofdstuk 5 een Deep Learning (DL)- methode methode die: brengt het uiterlijk
van 3D-GRASE dichter bij 3D-FSE-beelden, verwijdert artefacten en het bereiken van een
meer vergelijkbaar FSE-beeldcontrast werd onderzocht. Drie verschillende DL-modellen zijn
ontwikkeld op basis van een driedimensionaal (3D) U-Net in combinatie met drie verlies
functies die eerder in de literatuur zijn voorgesteld voor regressieproblemen: i) de voxel-wise
metrische l 2 -norm, ii) Destructural Similarity Index (DSSIM) en iii) het perceptuele verlies.
De resultaten van dit werk toonden aan dat de algehele beeldkwaliteit in het axiale vlak is
verbeterd wanneer een 3D U-Net met perceptueel verlies wordt toegepast op 3D-GRASE-
beelden, aangezien ruis is verwijderd, blijven beelddetails grotendeels behouden en lijkt het
beeldcontrast daar meer op van 3D-FSE-beelden. De kwantitatieve statistieken die worden
gebruikt om de kwaliteit van de afbeeldingen te evalueren bevestigde de hogere beeldkwaliteit
en gelijkenis tussen de beelden verbeterd door de 3D U-Net en 3D-FSE in het axiale vlak.
De beoordeling van de radioloog gaf echter aan dat er verdere ontwikkelingen nodig zijn om
de interface van de weefsels in de beelden uit de netwerken om deze werkzaamheden toe te
passen bij de beoordeling van kraakbeen.
Tot slot worden de bijdragen en conclusies van dit proefschrift besproken in hoofdstuk
6. Hoewel verdere beoordelingen moeten worden uitgevoerd om de technische ontwikkelin-
gen hiervan over te nemen proefschrift in klinische settings, hebben we de voordelen van
3D-GRASE met versnelde gereconstrueerde technieken over 3D-FSE en de veelbelovende
mogelijkheden van DL om te verbeteren de kwaliteit van 3D-GRASE beelden.

112 Samenvatting

fasecoderingsstrategie in combinatie met lineaire of radiale modulatie. De prestatie van elk
traject is geëvalueerd in simulatie, in fantoom- en in-vivo experimenten door de Point Spread
Function (PSF) en Signaal-tot ruisverhouding (SNR) te meten en vergeleken met vergelijk-
bare 3D-FSE acquisities. Dit werk concludeerd dat SORT lineaire modulatiecodering voor
T 2 -gewogen afbeeldingen en SORT Radiale modulatiecodering met M =0 voor PD-gewogen
afbeeldingen beeldkwaliteit verkrijgt vergelijkbaar met 3D-FSE, terwijl de SAR met meer
dan 40% wordt verlaagd en de acquisitietijd met 20% wordt verkort. Anderzijds onderzoekt
Hoofdstuk 1 de effecten van de verschillende k-space trajecten voorgesteld in hoofdstuk 4,
samen met twee gemeenschappelijke k-space onderbemonsteringsroosters voor CS gecombi-
neerd met PI (CSPI) in PD gewogen en T 2 -gewogen 3D-GRASE acquisities. CSPI vereist een
onsamenhangende undersampled, een k-space raster met variabele dichtheid en een volledig
bemonsterd k-space centrum om een artefactvrije reconstructie te bereiken. Deze vereisten
zijn vervuld door twee onderbemonsterde rasters die in de literatuur worden voorgesteld voor
verschillende sequenties en toepassingen: Variable Density (VD) pseudo-random Gaussian
grid en VD Poisson-disc grid. De incoherentie van de verschillende combinaties van k-space
trajecten en undersampled k-space rasters werden geëvalueerd in simulatie, fantoom en in-vivo
experimenten, tot slot: dat i) bemonsteringspatronen die een VD Poisson-grid k-space raster
combineren in beide PD-gewogen en T 2 -gewogen contrasten verkregen de hoogste incoherentie
en ii) het traject is laag invloed op de resultaten.
Hoofdstuk 3 en hoofdstuk 4 toonde aan dat de kwaliteit van 3D-GRASE beelden sterk
afhangt van de traject toegepast tijdens de acquisitie. Bovendien kan het beeldcontrast
enigszins veranderen met betrekking tot Fast Spin Echo (FSE) als de acquisitieparameters niet
zorgvuldig zijn gekozen, vanwege de T 2 -gewogen contrast geïntroduceerd door de Gradient
Recalled Echos (GREs). In om een oplossing voor dit probleem voor te stellen, staat
er in hoofdstuk 5 een Deep Learning (DL)- methode methode die: brengt het uiterlijk
van 3D-GRASE dichter bij 3D-FSE-beelden, verwijdert artefacten en het bereiken van een
meer vergelijkbaar FSE-beeldcontrast werd onderzocht. Drie verschillende DL-modellen zijn
ontwikkeld op basis van een driedimensionaal (3D) U-Net in combinatie met drie verlies
functies die eerder in de literatuur zijn voorgesteld voor regressieproblemen: i) de voxel-wise
metrische l 2 -norm, ii) Destructural Similarity Index (DSSIM) en iii) het perceptuele verlies.
De resultaten van dit werk toonden aan dat de algehele beeldkwaliteit in het axiale vlak is
verbeterd wanneer een 3D U-Net met perceptueel verlies wordt toegepast op 3D-GRASE-
beelden, aangezien ruis is verwijderd, blijven beelddetails grotendeels behouden en lijkt het
beeldcontrast daar meer op van 3D-FSE-beelden. De kwantitatieve statistieken die worden
gebruikt om de kwaliteit van de afbeeldingen te evalueren bevestigde de hogere beeldkwaliteit
en gelijkenis tussen de beelden verbeterd door de 3D U-Net en 3D-FSE in het axiale vlak.
De beoordeling van de radioloog gaf echter aan dat er verdere ontwikkelingen nodig zijn om
de interface van de weefsels in de beelden uit de netwerken om deze werkzaamheden toe te
passen bij de beoordeling van kraakbeen.
Tot slot worden de bijdragen en conclusies van dit proefschrift besproken in hoofdstuk
6. Hoewel verdere beoordelingen moeten worden uitgevoerd om de technische ontwikkelin-
gen hiervan over te nemen proefschrift in klinische settings, hebben we de voordelen van
3D-GRASE met versnelde gereconstrueerde technieken over 3D-FSE en de veelbelovende
mogelijkheden van DL om te verbeteren de kwaliteit van 3D-GRASE beelden.

Glossary

B 0 Main static field, measured in Teslas .
B 1 Radiofrequency field which is applied perpendicular to
B 0 .

T 1 Spin-lattice relaxation time.
T 2 Spin-spin relaxation time.
T 2 ∗ T2 contrast that results from inhomogeneities in the
main magnetic field or due to some tissue properties.

EPI factor The number of gradient echoes in-between RF refocusing
pulses for a GRASE sequence.

in-vivo A living organism, such as a human.

k-space Representation of the spatial frequency information in
2D or 3D.

Phantom Artificial object which can mimic some tissue properties
or contain some details structures. It is mainly used for
tests and calibrations.

RF-spacing Time in-between two refocusing pulses.

Trajectory The way that k-space is filled in time during acquition
plural.

Glossary

B 0 Main static field, measured in Teslas .
B 1 Radiofrequency field which is applied perpendicular to
B 0 .

T 1 Spin-lattice relaxation time.
T 2 Spin-spin relaxation time.
T 2 ∗ T2 contrast that results from inhomogeneities in the
main magnetic field or due to some tissue properties.

EPI factor The number of gradient echoes in-between RF refocusing
pulses for a GRASE sequence.

in-vivo A living organism, such as a human.

k-space Representation of the spatial frequency information in
2D or 3D.

Phantom Artificial object which can mimic some tissue properties
or contain some details structures. It is mainly used for
tests and calibrations.

RF-spacing Time in-between two refocusing pulses.

Trajectory The way that k-space is filled in time during acquition
plural.

Acronyms

1D One-dimensional.
2D Two-dimensional.
2D-FSE Two-dimensional Fast Spin Echo.
3D Three-dimensional.
3D-FSE Three-dimensional Fast Spin Echo.
3D-GRASE Three-dimensional Gradient and Spin Echo.
3D-MRCP Three-dimensional MR cholangiopancreatography.

ACS Autocalibrated Signal.
ARC Autocalibrating Reconstruction for Cartesian imaging.
ASL Arterial Spin Labelling.

BM Bone Marrow.

CG Cartilage.
CNN Convolutional Neural Network.
CNR Contrast to Noise Ratio.

CS Compressed Sensing.
CSF Cerebrospinal Fluid.
CSPI Compressed Sensing and Parallel Imaging.

DL Deep Learning.
DSSIM Destructural Similarity Index.

Acronyms

1D One-dimensional.
2D Two-dimensional.
2D-FSE Two-dimensional Fast Spin Echo.
3D Three-dimensional.
3D-FSE Three-dimensional Fast Spin Echo.
3D-GRASE Three-dimensional Gradient and Spin Echo.
3D-MRCP Three-dimensional MR cholangiopancreatography.

ACS Autocalibrated Signal.
ARC Autocalibrating Reconstruction for Cartesian imaging.
ASL Arterial Spin Labelling.

BM Bone Marrow.

CG Cartilage.
CNN Convolutional Neural Network.
CNR Contrast to Noise Ratio.

CS Compressed Sensing.
CSF Cerebrospinal Fluid.
CSPI Compressed Sensing and Parallel Imaging.

DL Deep Learning.
DSSIM Destructural Similarity Index.

118 Acronyms Acronyms 119

EPI Echo Planar Imaging. Qscore Quality Score.
ESP Echo Spacing.
ET Echo Time. ReLU Rectified Linear Unit.
ETL Echo Train Length. RF Radio-frequency.
ROI Region of Interest.
FC Femoral Cartilage.
FDA Food and Drug Administration. SAR Specific Absorption Rate.

fMRI Functional Magnetic Resonance Imaging. SE Spin Echo.
FSE Fast Spin Echo. SENSE Sensitivity Encoding.
FWHM Full-With-Half-Maximum. SF Synovial Fluid.
SNR Signal to Noise Ratio.
GM Grey Matter. SSIM Structural similarity Index.
GPU Graphics Processing Unit.
GRAPPA Generalized Autocalibrating Partial Parallel Acquisition. TE Echo Time.
GRASE Gradient and Spin Echo. TOI Tissue of Interest.
GRE Gradient Recalled Echo. TR Repetition Time.

HF Half Fourier. VD Variable Density.
VFA Variable Flip Angle.
ILSVRC ImageNet Large Scale Visual Recognition Challenge.
WM White Matter.
ML Machine Learning.
MR Magnetic Resonance.
MRI Magnetic Resonance Imaging.
MS-SSIM Multiscale Structural Similarity.
MTF Modulation Transfer Function.

PD Proton Density.
PI Parallel Imaging.
PIQUE no-reference Perception-based Image Quality Evaluator.
PSF Point Spread Function.

118 Acronyms Acronyms 119

EPI Echo Planar Imaging. Qscore Quality Score.
ESP Echo Spacing.
ET Echo Time. ReLU Rectified Linear Unit.
ETL Echo Train Length. RF Radio-frequency.
ROI Region of Interest.
FC Femoral Cartilage.
FDA Food and Drug Administration. SAR Specific Absorption Rate.

fMRI Functional Magnetic Resonance Imaging. SE Spin Echo.
FSE Fast Spin Echo. SENSE Sensitivity Encoding.
FWHM Full-With-Half-Maximum. SF Synovial Fluid.
SNR Signal to Noise Ratio.
GM Grey Matter. SSIM Structural similarity Index.
GPU Graphics Processing Unit.
GRAPPA Generalized Autocalibrating Partial Parallel Acquisition. TE Echo Time.
GRASE Gradient and Spin Echo. TOI Tissue of Interest.
GRE Gradient Recalled Echo. TR Repetition Time.

HF Half Fourier. VD Variable Density.
VFA Variable Flip Angle.
ILSVRC ImageNet Large Scale Visual Recognition Challenge.
WM White Matter.
ML Machine Learning.
MR Magnetic Resonance.
MRI Magnetic Resonance Imaging.
MS-SSIM Multiscale Structural Similarity.
MTF Modulation Transfer Function.

PD Proton Density.
PI Parallel Imaging.
PIQUE no-reference Perception-based Image Quality Evaluator.
PSF Point Spread Function.