Magnetic resonance imaging (MRI) plays an important role in medical diagnosis, generating petabytes of image data annually in large hospitals. This voluminous data stream requires a significant amount of network bandwidth and extensive storage infrastructure. Additionally, local data processing demands substantial manpower and hardware investments. Data isolation across different healthcare institutions hinders cross-institutional collaboration in clinics and research. In this work, we anticipate an innovative MRI system and its four generations that integrate emerging distributed cloud computing, 6G bandwidth, edge computing, federated learning, and blockchain technology. This system is called Cloud-MRI, aiming at solving the problems of MRI data storage security, transmission speed, artificial intelligence (AI) algorithm maintenance, hardware upgrading, and collaborative work. The workflow commences with the transformation of k-space raw data into the standardized Imaging Society for Magnetic Resonance in Medicine Raw Data (ISMRMRD) format. Then, the data are uploaded to the cloud or edge nodes for fast image reconstruction, neural network training, and automatic analysis. Then, the outcomes are seamlessly transmitted to clinics or research institutes for diagnosis and other services. The Cloud-MRI system will save the raw imaging data, reduce the risk of data loss, facilitate inter-institutional medical collaboration, and finally improve diagnostic accuracy and work efficiency.

Background: Evidence of the association between obesity and renal cell carcinoma progression is contradictory. The effects of renal cell carcinoma on fat distribution are still unknown. Objective: The goal of this study was to determine the ability of various forms of fat deposition to predict the Fuhrman nuclear grade of clear cell renal cell carcinoma [ccRCC]. Methods: This retrospective study included 320 patients with pathologically proven ccRCC [215 men and 105 women; 263 low-grade ccRCC and 57 highgrade ccRCC]. Based on computed tomography scans, adipose tissue in various body regions was classified into the perirenal fat area [PFA], visceral fat area [VFA], total fat area [TFA], subcutaneous fat area [SFA], and hepatic steatosis [HS]. Subsequently, the relative VFA [rVFA] was computed. Age, sex, body mass index, and maximal tumor diameter were also regarded as clinical factors. Univariate and multivariate logistic regression studies were conducted to evaluate whether there was an association between body fat composition and the Fuhrman classification and whether it was related to gender. Results: After correcting for age, males with low-grade ccRCC exhibited higher TFA [257.6 vs. 203.0, p = 0.002], VFA [151.6 vs.115.5, p = 0.007], SFA [106.0 vs. 87.5, p = 0.015], PFA [55.1 vs. 30.4, p < 0.001], and HS [18% vs. 0%, p = 0.031] than those with high-grade ccRCC. There was no significant difference among rVFA in males. In females, there was no significant difference in any of the parameters. VFA and PFA remained independent predictors for high-grade ccRCC in males in both the monovariate [VFA: odds ratio [OR] 0.992, 95% confidence interval [CI] 0.987–0.997, p = 0.004; PFA: OR 0.949, 95% CI 0.930–0.970, p < 0.001] and multivariate [VFA: OR 1.028, 95% CI 1.001–1.074, p < 0.001; PFA: OR 0.878, 95% CI 0.833–0.926, p < 0.001] models. Conclusion: Gender-specific adipose tissue in different locations demonstrated varied values for predicting high-grade ccRCC and may be utilized as an independent predictor of high-grade ccRCC in male patients. conclusion: Gender-specific adipose tissue in different locations demonstrated varied values for predicting high-grade ccRCC and may be utilized as an independent predictor of high-grade ccRCC in male patients. other: Sex-specific adipose tissue in various places exhibits variable values for high-grade ccRCC prediction.

Motivation: Current high-resolution T2* and susceptibility mapping techniques remain time-consuming or suffer from geometric distortion. Goal(s): Our goal was to achieve distortion-free and time-efficient quantification of whole-brain T2* and susceptibility. Approach: The multiple overlapping-echo detachment imaging (MOLED) method was extended to 3D acquisition for collecting more echoes for robust high-resolution parametric mapping. Single scan blip-up-down operation of two echo trains combined with deep learning reconstruction was used for distortion correction. Results: 3D-MOLED enables high-quality T2* and susceptibility mapping in 32 seconds, comparable to conventional 3D-GRE in 12 minutes, with Pearson&rsquo;s correlation coefficient of 0.983 and 0.986, respectively. Impact: Distortion-free whole-brain T2* and susceptibility mapping at isotropic 1 mm3 resolution can now be achieved using our newly developed 3D-MOLED technique in only 32 seconds, which significantly improves the motion robustness of quantitative imaging in clinical examinations.

Motivation: Long acquisition times have hindered many quantitative magnetic resonance imaging methods. Goal(s): In order to reduce the collection time, we propose a rapid and quantitative method for multi-parameter quantification. Approach: Multiple overlapping echo detachment (MOLED) imaging can enable multiparametric quantitative mapping for a single slice in just hundreds of milliseconds. To achieve simultaneous quantitative imaging of M0, T1, T2, T2*, B1, and &Delta;B0, we proposed the SSFP-MOLED method. Results: The results of both phantom and vivo experiments on a 3T whole-body scanner demonstrate that our method can accurately quantify multiple parameters, indicating promising clinical applications. Impact: We present a novel and efficient mapping method for multiparametric MRI (M0, T1, T2, T2*, B1, and &Delta;B0). This method not only enhances the efficiency of data collection for clinicians but also improves the diagnostic reliability of multi-center hospitals.

Motivation: Deep learning (DL) is powerful for fast MRI reconstruction, but remains largely untapped in multiple clinical imaging scenarios. Goal(s): To provide a feasible and cost-effective way to markedly boost the widespread usage of DL in various fast MRI applications. Approach: In this work, we present a Physics-Informed Synthetic data learning framework for Fast MRI, called PISF, which is the first to enable generalizable DL for multi-scenario MRI reconstruction using solely one trained model. Results: PISF trained on synthetic data enables high-quality, ultra-fast, and robust MRI reconstruction from different 4contrasts, 5 anatomies, 5 vendors and centers, and 2 pathologies, without further re-training. Impact: Physics-informed synthetic data learning (DL) provides a feasible and cost-effective way to markedly boost the widespread usage of DL in various fast MRI applications, while freeing from the intractable ethical and practical considerations of in vivo human data acquisitions.