A model-based dynamic MRI called k-t BLAST/SENSE has drawn significant attention from the MR imaging community because of its improved spatio-temporal resolution. Recently, we showed that the k-t BLAST/SENSE corresponds to the special case of a new dynamic MRI algorithm called k-t FOCUSS that is optimal from a compressed sensing perspective. The main contribution of this article is an extension of k-t FOCUSS to a more general framework with prediction and residual encoding, where the prediction provides an initial estimate and the residual encoding takes care of the remaining residual signals. Two prediction methods, RIGR and motion estimation/compensation scheme, are proposed, which significantly sparsify the residual signals. Then, using a more sophisticated random sampling pattern and optimized temporal transform, the residual signal can be effectively estimated from a very small number of k-t samples. Experimental results show that excellent reconstruction can be achieved even from severely limited k-t samples without aliasing artifacts.

Achieving high accuracy in the imaging of biological targets is a challenging issue. For MRI, to enhance imaging accuracy, two different imaging modes with specific contrast agents are used; one is a T1 type for a "positive" MRI signal and the other is a T2 type for a "negative" signal. Conventional contrast agents respond only in a single imaging mode and frequently encounter ambiguities in the MR images. Here, we propose a "magnetically decoupled" core−shell design concept to develop a dual mode nanoparticle contrast agent (DMCA). This DMCA not only possesses superior MR contrast effects but also has the unique capability of displaying "AND" logic signals in both the T1 and T2 modes. The latter enables self-confirmation of images and leads to greater diagnostic accuracy. A variety of novel DMCAs are possible, and the use of DMCAs can potentially bring the accuracy of MR imaging of diseases to a higher level.

Motivation: CE MRA data is susceptible to motion and noise artifact due to its longer acquisition time. Conventional intensity-based registration are often unreliable, necessitating better artifact correction methods. Goal(s): To provide better artifact correction methods for CE MRA using generative deep learning and angiogram-aware loss functionApproach: two deep learning architectures were trained with/without angiogram-aware loss function. Network accuracy was evaluated based on CE MRA dynamic scans and angiogram. Results: motion correction was successfully performed, resulting in angiograms with PSNR=37.9±4.3 and SSIM=0.97±0.04. angiogram-aware loss function improved the correction accuracy by up to 13 points in PSNR and 17 points in SSIM. Impact: We developed accurate deep learning solutions for CE MRA artifact correction, potentially reducing the need for repeated MRA scans. We also showed that angiogram-aware loss function, which considers the last processing steps of CE MRA data, can improve correction accuracy.

Motivation: SMWI is an advanced SWI method capable of detecting nigral hyperintensity in the substantia nigra. Due to the long scan time, a reduced FOV sequence was proposed to decrease the scan time from 4min 15sec to 2min 45sec, along with the application of denoising techniques. However, when evaluated with the original classifier, the results showed changes, reporting increased FN, which may be a problem in clinic. Goal(s): Maintaining diagnostic results for the reduced FOV with denoised SMWI images. Approach: Optimizing classifier to denoised FOV-simulated SMWI images. Results: The diagnostic result of denoised FOV 64.5% SMWI images is comparable to FOV 100% SMWI images. Impact: The diagnostic result of denoised FOV 64.5% SMWI images is comparable to FOV 100% SMWI images with the optimizing classifier based on denoised FOV-simulated SMWI images.

Motivation: The subthalamic nucleus (STN) volumes have not been fully assessed in progressive supranuclear palsy (PSP) and Parkinson’s disease (PD). Goal(s): Our goal was to explore diagnostic accuracy of STN volumes in PSP and PD. Approach: We measured the volumes of the STN, brainstem, and superior cerebellar peduncle in PSP and PD patients. Results: The STN volumes in patients with PSP were significantly reduced compared to those with PD patients. Furthermore, there was a significant negative correlation between the STN volume and disease duration in PSP patients. Impact: The use of high-spatial-resolution QSM to measure the STN volume has potential as a diagnostic marker for PSP, as well as for monitoring the progression of the disease.

Distinguishing between Parkinson's disease (PD) and essential tremor (ET) can be challenging sometimes. Although positron emission tomography can confirm PD diagnosis, its application is limited by high cost and exposure to radioactive isotopes. Patients with PD exhibit loss of the dorsal nigral hyperintensity on brain magnetic resonance imaging (MRI). Novel MRI-based approaches, including susceptibility map-weighted imaging (SMwI), allow visualization of the dorsal nigral hyperintensity at an increased resolution. Herein, we investigated the diagnostic accuracy of dorsal nigral hyperintensity evaluation on SMwI for distinguishing tremor-dominant PD from ET. Consecutive patients with tremor who underwent SMwI and were diagnosed with tremor-dominant PD or ET between July 2021 and July 2022 were enrolled. The dorsal nigral hyperintensity loss on SMwI was compared between the PD and ET groups. All 143 patients (100%) with tremor-dominant PD showed unilateral or bilateral dorsal nigral hyperintensity loss. Among 136 patients with ET, 131 (96.3%) exhibited an intact dorsal nigral hyperintensity, while 5 (3.7%) showed unilateral/bilateral dorsal nigral hyperintensity loss. SMwI discriminated between tremor-dominant PD and ET with a sensitivity and specificity of 100% and 96.3%, respectively. 18F-FP-CIT PET revealed normal findings in 4/5 patients with ET who had false-positive results on SMwI. These results indicate that dorsal nigral hyperintensity loss on SMwI could differentiate between tremor-dominant PD and ET with high accuracy.