使用基于深度学习的重建的加速电影心脏MRI:系统性评估

科学领域:

• 心血管成像 - 心血管成像
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 屏住呼吸 (BH) 对于平衡稳定状态自由前行 (bSSFP) 成像,对具有有限BH能力的患者构成挑战.
• 基于深度学习的重建 (DLR) 提供了一个潜在的解决方案,通过使用低采样k空间数据实现更快的成像.
• DLR的目标是保持心脏MRI期间心室评估的图像质量和准确性.

研究的目的:

• 系统地评估DLR对 cine bSSFP图像的性能,这些图像采用不同程度的k空间低采样.
• 评估不同加速度因子对图像质量和诊断充分性的影响.
• 为了确定DLR保持可靠心室体积测量的最大加速度因子.

主要方法:

• 从15名乳腺挖掘患者的cine bSSFP数据的回顾性分析.
• 使用压缩灵敏度编码 (C-SENSE) 对k空间进行系统的低采样,加速度因子 (R) 从2到8.
• 使用结构相似度指数 (SSIM) 量化图像质量评估和经验丰富的读者对对比度和边缘定义的定性评估.
• 使用商业软件进行自动双心膜细分.

主要成果:

• 随着加速系数 (R) 的增加,观察到图像质量和边缘定义的显著下降.
• 在R=5.5的加速度因子上保持了诊断上充足的图像质量.
• 没有发现加速因子对双心室体积指数的显著影响 (P=0.447).

结论:

• 低样本 cine bSSFP 数据的深度学习重建可与双心室体积评估的全样本数据相比较,最高可达 R=5.5 的加速因子.
• DLR有望减少心脏MRI的喘息时间,而不会影响体积精度.
• 这种方法可以提高心脏MRI检查中的患者舒适度和扫描效率.