To evaluate the validity of different approaches to determine the signal-to-noise ratio (SNR) in MRI experiments with multi-element surface coils, parallel imaging, and different reconstruction filters.Four different approaches of SNR calculation were compared in phantom measurements and in vivo based on: 1) the pixel-by-pixel standard deviation (SD) in multiple repeated acquisitions; 2) the signal statistics in a difference image; and 3) and 4) the statistics in two separate regions of a single image employing either the mean value or the SD of background noise. Different receiver coil systems (with one and eight channels), acquisitions with and without parallel imaging, and five different reconstruction filters were compared.Averaged over all phantom measurements, the deviations from the reference value provided by the multiple-acquisitions method are 2.7% (SD 1.6%) for the difference method, 37.7% (25.9%) for the evaluation of the mean value of background noise, and 34.0% (38.1%) for the evaluation of the SD of background noise.The conventionally determined SNR based on separate signal and noise regions in a single image will in general not agree with the true SNR measured in images after the application of certain reconstruction filters, multichannel reconstruction, or parallel imaging.

In this work we propose a novel approach to perform segmentation by leveraging the abstraction capabilities of convolutional neural networks (CNNs). Our method is based on Hough voting, a strategy that allows for fully automatic localisation and segmentation of the anatomies of interest. This approach does not only use the CNN classification outcomes, but it also implements voting by exploiting the features produced by the deepest portion of the network. We show that this learning-based segmentation method is robust, multi-region, flexible and can be easily adapted to different modalities. In the attempt to show the capabilities and the behaviour of CNNs when they are applied to medical image analysis, we perform a systematic study of the performances of six different network architectures, conceived according to state-of-the-art criteria, in various situations. We evaluate the impact of both different amount of training data and different data dimensionality (2D, 2.5D and 3D) on the final results. We show results on both MRI and transcranial US volumes depicting respectively 26 regions of the basal ganglia and the midbrain.

Abstract Background Chronic pain diseases are characterised by an ongoing and fluctuating endogenous pain, yet it remains to be elucidated how this is reflected by the dynamics of ongoing functional cortical connections. The present study addresses this disparity by taking the individual perspective of pain patients into account, which is the varying intensity of endogenous pain. Methods To this end, we investigated the cortical encoding of 20 chronic back pain patients and 20 chronic migraineurs in four repeated fMRI sessions. During the recording, the patients were asked to continuously rate their pain intensity. A brain parcellation approach subdivided the whole brain into 408 regions. A 10 s sliding-window connectivity analysis computed the pair-wise and time-varying connectivity between all brain regions across the entire recording period. Linear mixed effects models were fitted for each pair of brain regions to explore the relationship between cortical connectivity and the observed trajectory of the patients’ fluctuating endogenous pain. Results Two pain processing entities were taken into account: pain intensity (high, middle, low pain) and the direction of pain intensity changes (rising vs. falling pain). Overall, we found that periods of high and increasing pain were predominantly related to low cortical connectivity. For chronic back pain this applies to the pain intensity-related connectivity for limbic and cingulate areas, and for the precuneus. The change of pain intensity was subserved by connections in left parietal opercular regions, right insular regions, as well as large parts of the parietal, cingular and motor cortices. The change of pain intensity direction in chronic migraine was reflected by decreasing connectivity between the anterior insular cortex and orbitofrontal areas, as well as between the PCC and frontal and ACC regions. Conclusions Interestingly, the group results were not mirrored by the individual patterns of pain-related connectivity, which is suggested to deny the idea of a common neuronal core problem for chronic pain diseases. In a similar vein, our findings are supported by the experience of clinicians, who encounter patients with a unique composition of characteristics: personality traits, various combinations of symptoms, and a wide range of individual responses to treatment. The diversity of the individual cortical signatures of chronic pain encoding results adds to the understanding of chronic pain as a complex and multifaceted disease. The present findings support recent developments for more personalised medicine.

Abstract Background Interventional magnetic resonance imaging (MRI) can provide a comprehensive setting for microwave ablation of tumors with real-time monitoring of the energy delivery using MRI-based temperature mapping. The purpose of this study was to quantify the accuracy of three-dimensional (3D) real-time MRI temperature mapping during microwave heating in vitro by comparing MRI thermometry data to reference data measured by fiber-optical thermometry. Methods Nine phantom experiments were evaluated in agar-based gel phantoms using an in-room MR-conditional microwave system and MRI thermometry. MRI measurements were performed for 700 s (25 slices; temporal resolution 2 s). The temperature was monitored with two fiber-optical temperature sensors approximately 5 mm and 10 mm distant from the microwave antenna. Temperature curves of the sensors were compared to MRI temperature data of single-voxel regions of interest (ROIs) at the sensor tips; the accuracy of MRI thermometry was assessed as the root-mean-squared (RMS)-averaged temperature difference. Eighteen neighboring voxels around the original ROI were also evaluated and the voxel with the smallest temperature difference was additionally selected for further evaluation. Results The maximum temperature changes measured by the fiber-optical sensors ranged from 7.3 K to 50.7 K. The median RMS-averaged temperature differences in the originally selected voxels ranged from 1.4 K to 3.4 K. When evaluating the minimum-difference voxel from the neighborhood, the temperature differences ranged from 0.5 K to 0.9 K. The microwave antenna and the MRI-conditional in-room microwave generator did not induce relevant radiofrequency artifacts. Conclusion Accurate 3D real-time MRI temperature mapping during microwave heating with very low RMS-averaged temperature errors below 1 K is feasible in gel phantoms. Relevance statement Accurate MRI-based volumetric real-time monitoring of temperature distribution and thermal dose is highly relevant in clinical MRI-based interventions and can be expected to improve local tumor control, as well as procedural safety by extending the limits of thermal ( e.g ., microwave) ablation of tumors in the liver and in other organs. Key Points Interventional MRI can provide a comprehensive setting for the microwave ablation of tumors. MRI can monitor the microwave ablation using real-time MRI-based temperature mapping. 3D real-time MRI temperature mapping during microwave heating is feasible. Measured temperature errors were below 1 °C in gel phantoms. The active in-room microwave generator did not induce any relevant radiofrequency artifacts. Graphical Abstract

Abstract Background Quantitative real‐time MRI‐based temperature mapping techniques are hampered by abdominal motion. Intrascan motion can be reduced by rapid acquisition sequences such as 2D echo planar imaging (EPI), and inter‐scan organ displacement can be compensated by image processing such as optical flow (OF) algorithms. However, motion field estimation can be seriously affected by local variation of signal intensity on magnitude images inherent to tissue heating, potentially leading to erroneous temperature estimates. Purpose This study aims to characterize, in the context of clinical MRI‐guided microwave ablation (MWA), a novel deformable image registration (DIR) algorithm that enhances the generation of thermal maps aligned to a reference position, a critical step for calculating cumulative thermal dose and, consequently, for the real‐time evaluation of interventional procedure progress. Methods A retrospective image analysis was performed on 11 patients that underwent MWA of a liver tumor (primary or metastasis). Ablation duration was set to 9 ± 2 min with a 14‐gauge large antenna. A stack of 13–20 contiguous slices was acquired dynamically (350 repetitions) at 1.5T using a single‐shot EPI sequence. Evaluation was first performed on motion‐free datasets (5 gated acquisitions using a cushion positioned in the patient abdomen) then with ones with motion (8 fixed‐frequency acquisitions at 0.5 Hz). Temperature, thermal dose and lesion size were computed using three workflows: (i) standard phase subtraction (gold standard), (ii) conventional OF motion compensation, (iii) PCA‐based OF motion compensation. The impact of flow field, temperature and lesion volume estimation were compared using averaged endpoint error (AEE), NRMSE and bland Altman plot, respectively. Results Intensity signal decreases (close to 50%) were observed in the vicinity of the probe during MW energy delivery. Both motion correction algorithms reduce the NRMSE of magnitude images throughout the acquisition ( p < 0.005) and achieve similar results between them. Gated acquisition results . Conventional OF produced erroneous vector fields compared to the PCA‐based OF, leading to higher maximal EE (3 mm vs. 1 mm) and temperature errors up to 15°C–20°C. PCA‐based OF algorithm significantly reduces the NRMSE of temperature ( p < 0.005). The conventional OF method underestimated the final size of lesions with a bias of 0.93 cm 3 while the PCA‐based OF reported a bias of 0.5 cm 3 . Fixed frequency acquisition results . The temperature estimation without motion correction led to strong fluctuations or loss of temperature measurement while the proposed PCA‐based OF recovered both a stable and precise measurement with null bias. Conclusion The deformable image registration algorithm is less sensitive to local variations of the signal. Volumetric temperature imaging without gating (20 slices/2 s) could be performed with the same accuracy, and offer trade‐offs in acquisition time or volume coverage. Such a strategy is expected to increase procedure safety by monitoring large volumes more rapidly for MR‐guided thermotherapy on mobile organs.