SwinUNet:一种多尺度的特征学习方法,用于用于心肌组织表征的心血管磁共振参数映射
Yifan Qi1, Fusheng Wang1, Jun Kong2
1Department of Computer Science, Stony Brook University, Stony Brook, NY 11790, United States of America.
Physiological measurement
|February 22, 2024
概括
深度学习加速了心血管磁共振 (CMR) T1/T2映射,将扫描时间从11次心跳缩短到2次. SwinUNet模型为临床使用提供了准确的心肌组织特征.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 心血管磁共振 (CMR) 能够通过T1和T2放松时间来表征心肌组织.
- 目前的CMR参数映射是耗时的,限制了心脏病患者的常规临床应用.
研究的目的:
- 通过深度学习方法加速CMR参数映射.
- 评估新型深度学习模型SwinUNet的性能,用于加速T1/T2映射.
主要方法:
- 开发了SwinUNet,这是一个集结卷积UNet和Swin变压器进行分层3D分析的深度学习模型.
- 将SwinUNet与MyoMapNet进行比较,这是一种仅使用时间分析的现有模型.
- 使用平均绝对误差 (MAE),结构相似度指数测量 (SSIM),相关性和布兰德-阿尔特曼分析评估T1/T2映射精度.
主要成果:
- 在≤4次心跳中实现加速T1映射和在2次心跳中实现T2映射,明显比临床标准快 (分别为11次和3次心跳).
- SwinUNet 证明了高准确度:MAE < 50 ms,SSIM > 0.8 在 T1;MAE < 1 ms,SSIM > 0.9 在 T2.
- 在最大加速 (心跳2次) 时,SwinUNet的表现优于MyoMapNet,并与临床标准准确度相匹配.
结论:
- SwinUNet显著加快了CMR T1/T2参数映射的速度.
- 该模型为心肌组织提供了准确的定量评估,适合临床心脏病学.
- 这种深度学习方法为有效评估心肌疾病提供了最佳解决方案.
