Mild cognitive impairment (MCI) is the prodromal stage of Alzheimer’s disease (AD). Identifying MCI subjects who are at high risk of converting to AD is crucial for effective treatments. In this study, a deep learning approach based on convolutional neural networks (CNN), is designed to accurately predict MCI-to-AD conversion with magnetic resonance imaging (MRI) data. First, MRI images are prepared with age-correction and other processing. Second, local patches, which are assembled into 2.5 dimensions, are extracted from these images. Then, the patches from AD and normal controls (NC) are used to train a CNN to identify deep learning features of MCI subjects. After that, structural brain image features are mined with FreeSurfer to assist CNN. Finally, both types of features are fed into an extreme learning machine classifier to predict the AD conversion. The proposed approach is validated on the standardized MRI datasets from the Alzheimer's Disease Neuroimaging Initiative (ADNI) project. This approach achieves an accuracy of 79.9% and an area under the receiver operating characteristic curve (AUC) of 86.1% in leave-one-out cross validations. Compared with other state-of-the-art methods, the proposed one outperforms others with higher accuracy and AUC, while keeping a good balance between the sensitivity and specificity. Results demonstrate great potentials of the proposed CNN-based approach for the prediction of MCI-to-AD conversion with solely MRI data. Age correction and assisted structural brain image features can boost the prediction performance of CNN.

Compressed sensing MRI (CS-MRI) has shown great potential in reducing data acquisition time in MRI. Sparsity or compressibility plays an important role to reduce the image reconstruction error. Conventional CS-MRI typically uses a pre-defined sparsifying transform such as wavelet or finite difference, which sometimes does not lead to a sufficient sparse representation for the image to be reconstructed. In this paper, we design a patch-based nonlocal operator (PANO) to sparsify magnetic resonance images by making use of the similarity of image patches. The definition of PANO results in sparse representation for similar patches and allows us to establish a general formulation to trade the sparsity of these patches with the data consistency. It also provides feasibility to incorporate prior information learnt from undersampled data or another contrast image, which leads to optimized sparse representation of images to be reconstructed. Simulation results on in vivo data demonstrate that the proposed method achieves lower reconstruction error and higher visual quality than conventional CS-MRI methods.

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.

Motivation: Magnetic Resonance Imaging (MRI) plays an important role in medical diagnosis, generating petabytes of image data annually in large hospitals. Local data processing demands substantial manpower and hardware investments. Data isolation across different healthcare institutions hinders cross-institutional collaboration. Goal(s): Solve a series of problems existing in current hospitals. Approach: Integrating cloud computing, 6G, edge computing, federated learning, and blockchain. Results: Cloud-MRI transforms raw data to the Imaging Society for Magnetic Resonance in Medicine Raw Data (ISMRMRD) format and enables fast reconstruction, AI training, and analysis. Results are relayed to cloud radiologists. Impact: This system safeguards data, promotes collaboration, and enhances diagnostic precision and efficiency.

Motivation: Cardiac cine MRI reconstruction is a natural high-dimensional problem that poses great challenges to deep learning. Goal(s): To develop a new deep learning method that can work efficiently in cardiac cine MRI, even with limited training data. Approach: In this work, the proposed method DeepSSL significantly alleviates training and generalization challenges of deep learning in cardiac cine MRI through efficient dimension-reduced separable learning and spatiotemporal modeling. Results: Extensive results show that DeepSSL can work efficiently even with highly limited training data (5~10 cases), and provides state-of-the-art reconstructions while reduces data demand by up to 75%. It further shows robustness in prospective real-time MRI. Impact: The proposed deep separable spatiotemporal learning (DeepSSL) significantly alleviates the training and generalization challenges of deep learning in high-dimensional cardiac cine MRI through efficient dimension-reduced separable learning and spatiotemporal modeling.

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.