HyperSLICE:用于低延迟交互式心脏检查的HyperBand优化螺旋

科学领域:

• 医疗成像医学成像
• 心血管磁力共振成像 (MRI) 的方法
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 交互式心脏MRI对于实时应用,如扫描计划和MRI指导干预至关重要.
• 由于实时采集和可视化约束,当前的方法在时空分辨率上面临限制.

研究的目的:

• 通过优化低样本螺旋采样,增强交互式心脏MRI分辨率.
• 为了利用深度学习来实现低延迟的重建,特别是深度文物抑制.

主要方法:

• 使用HyperBand优化了可变密度螺旋轨迹,以快速抑制深层人工物.
• 超级SLICE框架在692个呼吸控制的CINE数据集上进行了训练.
• 在13名受试者进行的前性测试,包括模拟和临床干预,将HyperSLICE与传统的卡特西安实时和屏住呼吸CINE成像进行了比较.

主要成果:

• 优化的螺旋采样显著改善了图像质量指标 (RMS误差,SNR,结构相似性,拉普拉斯能量) 与模拟中的辐射和均螺旋采样相比.
• 从前景来看,HyperSLICE实现的空间和时间分辨率高于传统的笛卡尔实时成像.
• 该系统展示了快速重建,适合在导管拉回等程序期间进行交互式成像.

结论:

• HyperSLICE可实现高空间和时间分辨率的交互式心脏MRI.
• 与其他轨迹相比,优化的螺旋采样提高了整体图像质量和过渡处理.