Abstract Purpose Dynamic T 1 -weighted lung oxygen enhanced MRI (OE-MRI) is challenging at 3 T due to decreased longitudinal relaxivity of oxygen and increased magnetic susceptibility difference between air and tissue interfaces relative to 1.5 T, leading to poor signal quality. In this work, we evaluate the robustness of an alternative T 2 *-sensitised lung dynamic OE-MRI protocol in humans at 3 T. Methods Simulations were performed to predict OE contrast behaviour and optimise the MRI protocol. Sixteen healthy subjects underwent dynamic free-breathing OE-MRI acquisitions using a dual echo RF-spoiled gradient echo acquisition at 3 T on two MRI scanners at different institutions. Non-linear registration and tissue density variation correction were applied. Percent signal enhancement (PSE) maps and ΔR 2 * were derived. Intra-class correlation coefficient (ICC) and Bland-Altman analyses were used to evaluate reproducibility of the OE indices across two sites and vendors as well as scan-rescan repeatability. Results Simulations and experimental data show negative contrast on oxygen inhalation due to substantial dominance of ΔR 2 * at TE longer than 0.2 ms when using our chosen flip angle and TR. Mean PSE values were TE dependent and mean ΔR 2 * was 0.14 ms -1 ± 0.03 ms -1 , ICC values for intra-scanner (ICC intra ) and inter-scanner (ICC inter ) variability for OE indices were high (ICC intra > 0.74; ICC inter = 0.70) and 95% limits of agreement showed strong agreement of repeated measures. Conclusion Our results demonstrate excellent scan-rescan repeatability for the PSE indices and good reproducibility for ΔR 2 * across two sites and vendors, suggesting potential utility in multi-centre clinical studies.

Abstract Purpose Dynamic lung oxygen-enhanced MRI (OE-MRI) is challenging due to the presence of confounding signals and poor signal-to-noise ratio, particularly at 3 T. We have created a robust pipeline utilizing independent component analysis (ICA) to automatically extract the oxygen-induced signal change from confounding factors to improve the accuracy and sensitivity of lung OE-MRI. Methods Dynamic OE-MRI was performed on healthy participants using a dual-echo multi- slice spoiled gradient echo sequence at 3 T and cyclical gas delivery. ICA was applied to each echo within a thoracic mask. The ICA component relating to the oxygen-enhancement signal was automatically identified using correlation analysis. The oxygen-enhancement component was reconstructed, and the percentage signal enhancement (PSE) was calculated. The lung PSE of current smokers was compared with non-smokers; scan-rescan repeatability, ICA pipeline repeatability, and reproducibility between two vendors, were assessed. Results ICA successfully extracted a consistent oxygen-enhancement component for all participants. Lung tissue and oxygenated blood displayed opposite oxygen-induced signal enhancements. A significant difference in PSE was observed between the lungs of current smokers and non-smokers. The scan-rescan repeatability, and the ICA pipeline repeatability, were good. Conclusion The developed pipeline demonstrated sensitivity to the signal enhancements of the lung tissue and oxygenated blood at 3 T. The difference in lung PSE between current smokers and non-smokers indicates a likely sensitivity to lung function alterations that may be seen in mild pathology, supporting future use of our methods in patient studies.

Abstract Purpose Sensitivity analysis enables the identification of influential parameters and the optimisation of model composition. Such methods have not previously been applied systematically to models describing hyperpolarised 129 Xe gas exchange in the lung. Here, we evaluate current 129 Xe gas exchange models to assess their precision for identifying alterations in pulmonary-vascular function and lung microstructure. Methods We assess sensitivity using established univariate methods and scatter plots for parameter interactions. We apply them to the model described by Patz and MOXE et al ., examining their ability to measure: i) importance (rank), ii) temporal dependence, and iii) interaction effects of each parameter across healthy and diseased ranges. Results The univariate methods and scatter plot analyses demonstrate consistently similar results for the importance of parameters common to both models evaluated. Alveolar surface area to volume ratio is identified as the parameter to which model signals are most sensitive. The alveolar-capillary barrier thickness is identified as a low-sensitivity parameter for the MOXE model. An acquisition window of at least 200 ms effectively demonstrates model sensitivity to most parameters. Scatter plots reveal interaction effects in both models, impacting output variability and sensitivity. Conclusion Our sensitivity analysis ranks the parameters within the model described by Patz et al and within the MOXE model. The MOXE model shows low sensitivity to alveolar-capillary barrier thickness, highlighting the need for designing acquisition protocols optimised for the measurement of this parameter. The presence of parameter interaction effects highlights the requirement for care in interpreting model outputs.