基于深度学习的扩散张力心磁共振重建:一项比较研究
Jiahao Huang1,2,3, Pedro F Ferreira4,5, Lichao Wang4,6
1National Heart and Lung Institute, Imperial College London, London, SW7 2AZ, UK. j.huang21@imperial.ac.uk.
Scientific reports
|March 7, 2024
概括
深度学习模型增强体内心脏扩散张力成像 (cDTI) 重建用于临床使用. 建议SwinMR用于加速因子高达×4,但更高的因子需要进一步开发.
科学领域:
- 心血管成像 - 心血管成像
- 医疗图像重建 医疗图像重建
- 人工智能在医学中的应用
背景情况:
- 在体内心脏扩散张力成像 (cDTI) 是一种有价值的MRI技术,用于评估心肌微观结构和心脏功能.
- 临床采用cDTI受到技术挑战的阻碍,例如低信号噪声比和漫长的扫描时间.
- 基于深度学习的重建为加速cDTI获取提供了一个潜在的解决方案.
研究的目的:
- 调查和实施cDTI的三种基于深度学习的MRI重建模型.
- 评估这些模型在重建质量,扩散张量参数准确性和计算成本方面的性能.
- 确定在各种加速度因子 (AF) 上使用这些模型用于临床cDTI的可行性.
主要方法:
- 实施了三种不同的深度学习MRI重建模型.
- 使用客观指标评估重建质量.
- 评估扩散张力参数准确度和地图质量在 AF ×2, ×4 和 ×8.
- 对每个模型的计算效率进行分析.
主要成果:
- 深度学习模型适用于AF ×2和×4的临床cDTI.
- D5C5模型表现出卓越的重建忠实度,而SwinMR则提供了更高的感知分数.
- 在AF ×2和×4时,扩散张力参数与参考没有显著的统计差异,图形质量可接受.
- 在AF × 8时,模型性能显著降低,参数恢复有限,可能导致误导结果.
结论:
- 深度学习重建模型,特别是SwinMR,显示出在AF ×2和 ×4.4加速临床cDTI的前景.
- 由于性能限制,目前的模型尚未准备好在更高的加速度因子 (AF ×8) 上进行临床应用.
- 需要进一步的研究和开发,以优化深度学习模型,以便在cDTI中获得更高的加速因子.
