Motivation: Diffusion-weighted imaging (DWI) in breast imaging is constrained by image distortion, which can be mitigated through the utilization of multi-shot DWI (MUSE). Goal(s): We conducted a pilot study to investigate the impact of deep-learning reconstruction (DLRecon) on MUSE image quality. Approach: Compared with the non-DL MUSE images, the MUSE DLRecon showed higher SNR without affecting the mean ADC value. Moreover, employing a higher shots in MUSE DL with reduced NEX could provide less-distortion DWI. Results: Our preliminary results suggest the feasibility of MUSE-DWI in breast imaging with a higher number of shots. Impact: Our results suggest that the DLRecon could be beneficial for the regions prone to distortion and requiring a high density of diffusion direction information, in the complex diffusion modeling, all while maintaining a feasible scan time in breast MUSE imaging.

Motivation: Real diffusion-weighted MRI (DWI) has shown improved diffusion contrast and more accurate estimation of diffusion parameters. However, current real DWI is still not optimal and its performance highly depends on the choice of parameters for phase correction, reducing its robustness, especially in body DWI. Goal(s): To enable robust real DWI by improving phase correction and reducing noise floorApproach: We combined deep-learning based phase correction and deep learning reconstruction to enable robust phase correction and to reduce noise floor. Results: The phantom and healthy volunteer results demonstrated improved diffusion contrast in both acquired and synthesized high b-value neural and body DWI images. Impact: DL-based phase correction and image reconstruction enables robust real DWI imaging, improving diffusion contrast and quantitative measurements in both neuro and body. This technique can be used to study cancer staging and treatment response in both low and high field.

Motivation: Filter-based phase estimation requires tuning and is subject to the tradeoff between signal bias and vulnerability against phase inhomogeneity. DL-based phase correction has been shown to effectively remove both high- and low-frequency phase while minimizing signal bias. Goal(s): To evaluate a DL-based phase correction method that improves the robustness of motion-induced phase estimation and its impact on noise and motion artifacts in MUSE reconstruction. Approach: Volunteer brain and abdomen data were acquired with a MUSE sequence and reconstruction was performed offline. Results: Compared to filter-based phase estimation, DL-based phase correction results in reduced noise and motion artifacts in MUSE reconstructed images. Impact: MUSE enables high resolution DWI over a large FOV with reduced geometric distortion, but is very sensitive to shot-to-shot differences in motion-induced phase. DL-based phase correction can improve robustness in MUSE reconstruction, especially in anatomical regions with significant motion.

Motivation: Free breathing DCE imaging utilizes stack-of-stars sampling, which can lead to streak artifacts and noise reduction when too few spokes are used. Goal(s): Our goal was to validate application of deep learning to 3D DISCO-Star DCE imaging in the abdomen via image quality assessment and noise characterization. Approach: DL and conventionally reconstructed images were assessed by two radiologists across different IQ attributes. Noise characteristics were evaluated by calculation of total variation. AUC was also calculated. Results: The radiologists preferred DL across many of the IQ attributes, with noticeably lowered noise and decreased streaks in DL images. AUC was similar between the two reconstructions. Impact: The application of DL to DISCO-Star DCE imaging provides enhanced diagnostic quality, with reduced streaking, higher SNR, and better in-plane resolution. This has the potential to improve care for abdominal patients who have trouble holding their breath.

Motivation: Improved MR thermometry is needed for thermal-based therapies. Goal(s): Improve precision while maintaining accuracy by denoising proton resonance frequency shift (PRFS)-based thermometry images using a deep learning-based reconstruction (DLR). Approach: 2D fast spoiled gradient-echo (FSPGR) images were acquired on a variety of phantoms with and without heating. Complex images were reconstructed with and without DLR to calculate temperature change maps. The mean and standard deviation of ROIs were analyzed to demonstrate any changes in accuracy and precision. Results: DLR improves precision and maintains accuracy in PRFS temperature change maps in phantoms. Impact: The improvements indicate an opportunity to increase spatial and/or temporal resolution in MRI thermometry. It may be possible to improve MRI-based heating optimization during clinical thermal therapies.

Motivation: High resolution diffusion tensor imaging (DTI) is associated with low intrinsic sensitivity and therefore it is difficult to achieve simultaneously high resolution and high SNR. Goal(s): To acquire submillimeter DTI to map human brain structural connectivity networks with improved accuracy and detail than standard resolution DTI. Approach: We combine a deep learning reconstruction method with MB-MUSE to further enhance the image quality and demonstrate improved quantification of submillimeter isotropic (0.8×0.8×0.8 mm3) whole brain DTI at 3T with approximately 1 minute per diffusion direction scan time. Results: The exceptional delineation and clarity of fiber tracking was achieved from submillimeter isotropic whole brain DTI. Impact: Submillimeter isotropic whole brain DTI with approximately 1 minute per diffusion direction scan time at 3T with high SNR, low distortion, provides us with a powerful tool to map whole brain structural connectivity networks with exceptional clarity and quantification.

Motivation: To contribute to the clinical evidence generation for 4D MRI in radiation therapy planning. Goal(s): Emphasize the impact of a DL reconstruction with amplitude and phase binning on respiratory motion characterization. Approach: 4D MRI data of 10 healthy volunteers and 8 patients were acquired using a free-breathing T1-weighted stack-of-stars sequence at 1.5T or 3T. Results: Independent of the binning strategy, DL reconstruction consistently improves image quality and conspicuity of small anatomical details with the potential to shorten scan times. Differences of binning strategies become prominent for irregular breathers, where amplitude binning reveals larger motion ranges than phase binning. Impact: To foster the ultimate goal of clinical adoption of 4D MRI for radiotherapy planning, we present an enhanced 4D MRI application supporting multiple binning strategies and an embedded DL reconstruction.

Motivation: Diffusion-weighted imaging (DWI) is used in endometrial cancer imaging for improved specificity and accuracy in determining the depth of myometrial invasion compared to T2-weighted imaging alone. However, conventional echo planar imaging based DWI, including reduced FOV EPI, is prone to artifacts from field inhomogeneity in the area of endometria and from peristalsis. Goal(s): To improve the diffusion-weighted imaging of endometrial cancerApproach: Propeller DWI is robust to field inhomogeneity and motion. Deep learning (DL) reconstruction is used to mitigate its SNR deficiency and overcome the need for long scan time. Results: DL DW-PROPELLER improved the SNR and in-plane resolution of the conventional DW-PROPELLERImpact: DL DW-PROPELLER improved the SNR and in-plane resolution of the conventional DW-PROPELLER, enabling body DW-PROPELLER in clinically feasible scan time. Compared to the rFOV DW-EPI, DL DW-PROPELLER significantly improves the geometric accuracy and the readability of high b-value images.

Motivation: Diffusion weighted imaging (DWI) is valuable in pancreatic imaging but suffers from artifacts and low SNR. The combination of reduced FOV imaging with a multishot data sampling strategy (rFOV-msDWI) improves artifacts from susceptibility and allows higher achievable resolution but still suffers from low SNR. Goal(s): Here we report early findings from an ongoing pilot study Approach: Evaluate a DL-based phase correction algorithm for improved SNR in patients undergoing rFOV-msDWI of the pancreas. Results: DL-based phase correction subjectively improves image quality. Impact: DL-based phase correction may improve rFOV-msDWI of the pancreas. Further evaluation is warranted.

Motivation: EPI-based DWI suffers from ghosting, chemical shift, and distortion artifacts. FSE-based DW-PROPELLER has been shown to overcome the above artifacts but at the cost of longer scanner time. Goal(s): To evaluate the combination of DW-PROPELLER with a deep learning (DL)-based reconstruction to provide motion-robust distortion-free high spatial resolution breast DWI. Approach: Phantom and in-vivo breast images were acquired using DW-PROPELLER followed by both conventional and DL reconstruction. Results: DW-PROPELLER with DL showed less distortion, less chemical shift artifacts, and increased SNR and sharpness compared with multi-shot DW EPI in both phantom and in-vivo breast imaging. Impact: This work demonstrated the feasibility of using a deep learning-based approach to improve image sharpness, reduce noise, and chemical shift artifacts for motion-robust and distortion-free high spatial resolution diffusion-weighted breast imaging.