本文属于类型a，即报告了一项原创性研究的科学论文。以下是对该研究的详细学术报告：
本研究由香港大学诊断放射学系的Jiawen Wang、Pei Cai、Ziyan Wang、Huabin Zhang和Jianpan Huang共同完成。Jianpan Huang为通讯作者。研究得到了香港大学的资助（项目编号：109000487、204610401和204610519），并已提交至《Magnetic Resonance in Medicine》期刊。
化学交换饱和转移（Chemical Exchange Saturation Transfer, CEST）磁共振成像（MRI）是一种分子成像技术，能够通过水质子与可交换溶质质子之间的交换来检测低浓度分子。CEST MRI在成像多种内源性对比剂（如酰胺、谷氨酸、肌酸和葡萄糖）方面具有广泛应用，并在疾病诊断和治疗监测中展现出巨大潜力。然而，CEST MRI的广泛应用受到缺乏标准化后处理方法的限制。现有的后处理方法（如多池洛伦兹拟合，Multi-Pool Lorentzian Fitting, MPLF）虽然有效，但耗时且复杂，难以在临床中广泛应用。
近年来，深度学习技术（尤其是基于多层感知器，Multi-Layer Perceptron, MLP的模型）被广泛用于加速CEST后处理。然而，MLP模型存在参数占用大、可解释性差等问题。最近，Kolmogorov-Arnold网络（KAN）作为一种替代MLP的新型网络架构被提出，其通过在每个权重参数处使用可学习的样条函数，提供了更小、更准确的模型，并具有更快的扩展性和更高的可解释性。
本研究首次探索了将KAN用于CEST MRI数据分析（CEST-KAN），旨在评估其在生成水和多种CEST对比图（如酰胺、中继核欧佛豪瑟效应，Relayed Nuclear Overhauser Effect, RNOE和磁化转移，Magnetization Transfer, MT）中的可行性，并与传统的MLP和MPLF方法进行比较。
研究在3T MRI系统（Signa Premier, GE Healthcare）上对12名健康志愿者进行了CEST MRI实验。数据采集包括43个频率偏移的CEST图像和一个M0图像。扫描参数包括：饱和时间2秒，饱和功率0.8 µT，重复时间（TR）3秒，回波时间（TE）23毫秒，视野（FOV）220×220 mm²，采集矩阵128×128，重建矩阵282×282，层厚6毫米。每名志愿者的CEST数据扫描时间为2分21秒。
研究使用10名志愿者的CEST数据进行网络训练和验证，其中80%用于训练，20%用于验证。测试数据来自另外2名志愿者。网络输入为每个体素的完整Z谱（长度为43），输出为9个CEST拟合参数。研究比较了不同层数（1至4层）的CEST-MLP和CEST-KAN模型。训练过程中使用了AdamW优化器，学习率为0.01，每轮衰减0.8，损失函数为MSEReg。
研究通过比较MLP和KAN在训练和验证损失、测试数据上的预测准确性以及生成的CEST图的视觉一致性，评估了两种模型的性能。此外，研究还比较了不同层数的MLP和KAN模型的训练时间和验证损失。
KAN在训练和验证损失上均优于MLP。尽管KAN的训练时间较长，但其在预测CEST拟合参数时表现出更高的准确性。KAN的验证损失显著低于MLP，且在不同层数下表现稳定。
在测试数据上，KAN生成的CEST拟合参数与MPLF结果的Pearson相关系数显著高于MLP。KAN生成的CEST图在视觉上与MPLF结果一致，且保留了更多的空间细节。
KAN在重建Z谱时表现出更高的准确性，尤其是在白质、灰质和脑脊液区域。KAN的绝对误差显著低于MLP。
本研究首次证明了KAN在CEST MRI数据分析中的可行性，并展示了其在预测CEST拟合参数方面的优越性。与传统的MPLF和MLP方法相比，KAN能够以更快的速度生成更准确的CEST对比图，具有在临床中作为CEST MRI后处理工具的潜力。
研究还提供了MPLF、MLP和KAN的代码开源链接，便于其他研究人员复现和扩展本研究的工作。
综上所述，本研究为CEST MRI数据分析提供了一种新的深度学习框架，具有重要的科学和临床应用价值。