DeepFittingNet:一种基于深度神经网络的方法,用于简化心脏T1和T2估计,并提高了稳定性
Rui Guo1, Dongyue Si2, Yingwei Fan1
1School of Medical Technology, Beijing Institute of Technology, Beijing, China.
Magnetic resonance in medicine
|July 7, 2023
概括
一个新的深度神经网络,DeepFittingNet,通过准确估计T1/T2值,简化了心血管MR映射. 与传统方法相比,它为T1估计提供了更好的稳定性,提高了心脏成像中的数据处理.
科学领域:
- 心血管磁共振 (CMR) 影像成像
- 医疗成像中的人工智能
- 定量心血管成像技术 定量心血管成像技术
背景情况:
- 心血管MR (CMR) 测绘序列,如MOLLI,SASHA和T2-prep bSSFP对于定量组织表征至关重要.
- 传统的T1/T2估计数据处理依赖于曲线拟合算法,这可能是耗时且对噪声敏感的.
- 开发自动化和可靠的T1/T2估计方法对于常规的临床应用和研究至关重要.
研究的目的:
- 开发和评估DeepFittingNet,这是一个深度神经网络,用于在常见的心血管MR映射序列中估计T1/T2.
- 简化数据处理,提高CMR中T1/T2量化的稳定性.
- 为了比较DeepFittingNet与传统曲线拟合方法的性能.
主要方法:
- 设计了一个1D神经网络 (DeepFittingNet),包括一个循环神经网络 (RNN) 和一个完全连接的神经网络 (FCNN).
- 该网络使用Bloch方程模拟对MOLLI,SASHA和T2-prep bSSFP序列进行训练,以曲线拟合为参考.
- 通过模拟各种成像混因素来增强稳定性,并在幻影和体内数据上测试了网络.
主要成果:
- 在四个心血管MR序列中,DeepFittingNet表现出强大的T1/T2估计,显著改善了反转恢复T1估计.
- 幻影研究显示,在DeepFittingNet和曲线拟合之间,T1的平均偏差<30毫秒,T2的平均偏差<1毫秒.
- 在体内观察到左心室和隔膜T1/T2值的优异一致 (平均偏差<6毫秒) 和可比精度.
结论:
- 对于常用的心血管MR映射序列 (MOLLI,SASHA,T2-prep bSSFP),DeepFittingNet有效地进行T1/T2估计.
- 与传统的曲线拟合算法相比,深度学习方法为T1估计提供了更好的稳定性.
- DeepFittingNet为定量CMR分析提供了一个有希望,准确和精确的替代方案.


