在高场心脏MRI中使用自主心脏B₀分割与双模态深度神经网络的可靠的非共振校正

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 磁共振成像技术 磁共振成像技术

背景情况:

• 在高场 (3T+) 心脏MRI (CMR) 中,B0场不均质是一个重大挑战,降低图像质量,增加扫描时间,并可能导致误诊.
• 目前的B0闪协议依赖于手动选择闪体积,通常包括外部区域,这损害了闪精度,并阻碍了高场CMR的临床采用.
• 手动闪效率低,容易出现错误,因此需要自动化解决方案,以便在CMR中实现可靠和可重复的B0场均性.

研究的目的:

• 开发和验证双通道深度学习模型,用于在高场CMR中为B0闪闪发光的心脏区域自主轮.
• 通过消除手动交互和适应可变成像协议来提高B0闪的准确性和可靠性.
• 通过提高B0场均质,提高高场CMR的效率和临床效用.

主要方法:

• 开发一种双通道深度学习模型,利用来自B0现场图的幅度和阶段信息.
• 使用子得分对细分精度的评估,将拟议的模型与传统的单通道方法进行比较.
• 评估模型在不同MRI成像参数的概括性及其对B0闪光质量的影响,与标准手动方法相比.

主要成果:

• 双通道深度学习模型在B0场地图中实现了高细分精度 (3D-mag-phase Dice得分:0.938),优于单通道方法 (p < 0.05).
• 与标准手动方法相比,拟议的自主模型表现出优越的通用性和显著改善的B0闪质量 (SD(B0Shim):拟议的=15 ± 11%与标准的=6 ± 12%,p <0.05).
• 该模型在没有人工干预的情况下有效地对B0 shim的心脏区域进行了轮,即使成像参数的变化也存在.

结论:

• 开发的自主双通道深度学习模型可靠地对心脏区域进行B0闪,解决了高场CMR的一个关键局限性.
• 这种方法显著提高了B0光的质量和可靠性,为临床实践中更高效,更准确的高场CMR成像铺平了道路.
• 该模型是迈向更广泛的临床采用和提高先进CMR技术诊断能力的基本步骤.