使用空间和时间隐性神经表示学习 (STINR-MR) 的3D电影磁共振成像

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 计算解剖学的计算解剖学

背景情况:

• 3D电影磁共振成像 (cine-MRI) 对于研究解剖学动力学至关重要,但由于低采样的k空间数据,它面临重建挑战.
• 缓慢的MR信号采集限制了动态体积成像中的空间和时间分辨率.

研究的目的:

• 开发和评估一种新的机器学习框架,即空间和时间隐性神经表示学习 (STINR-MR),用于从高度低采样数据中准确的3D电影MRI重建.
• 为了解决体积影像成像中的不良位置的时空重建问题.

主要方法:

• STINR-MR采用联合重建和可变形注册方法,使用空间和时间隐式神经表示 (INR).
• 参考框架的3DMR图像被重建为空间INR,而时间INR和主要组件分析 (PCA) 衍生的变形向量场 (DVF) 模型动态运动.
• 该框架使用模拟的4D扩展心脏干 (XCAT) 幻影数据和健康受试者的临床数据进行了验证,并与MR-MOTUS方法进行了比较.

主要成果:

• STINR-MR成功地重建了具有高时间 (<100毫秒) 和空间 (3毫米) 分辨率的3D电影MR图像.
• 与MR-MOTUS相比,该方法显示出更高的图像质量和更少的文物.
• 在XCAT研究中,瘤定位精度显著提高,STINR-MR的平均质量中心误差为1.0±0.4毫米,而MR-MOTUS的3.4±1.0毫米.

结论:

• STINR-MR为3D电影MRI重建提供了一个轻量级,高效和"一次性"的框架,避免了预先培训和通用性问题.
• 该方法能够准确地捕捉不规则的运动模式,因为它具有高率重建能力.
• 通过STINR-MR,可以进行精确的解剖学动态研究,提高医学成像诊断的准确性.