虚拟MOLLI目标:生成对抗性网络,以改善MRI心肌T1映射中的运动校正
Nai-Yu Pan1, Teng-Yi Huang1, Jui-Jung Yu1
1Department of Electrical Engineering, National Taiwan University of Science and Technology, Taipei, Taiwan.
Journal of magnetic resonance imaging : JMRI
|April 2, 2024
概括
一个生成对抗网络 (GAN) 模型创建虚拟MOLLI图像,显著改善心脏T1映射的运动校正. 这种技术提高了准确性,特别是对于那些在扫描期间无法屏住呼吸的患者.
科学领域:
- 心血管磁力共振成像 (MRI) 的方法
- 医学图像分析 医学图像分析
- 人工智能在医学中的应用
背景情况:
- 修改的Look-Locker反转恢复 (MOLLI) 是肌肉T1映射的标准.
- 呼吸运动导致MOLLI数据集中的错误注册,使运动纠正复杂化.
- 在不同的反转时间获取图像加剧了运动校正挑战.
研究的目的:
- 开发和评估一个生成对抗网络 (GAN),用于创建虚拟MOLLI目标 (VMT) 图像.
- 为了减少MOLLI数据集中的呼吸引起的错误注册,使用GAN生成的VMT图像.
- 提高心脏T1映射的准确性和可靠性.
主要方法:
- 追溯分析了来自392名参与者的1071个MOLLI数据集,这些数据集在3 Tesla.
- 训练GAN模型从单个反转时间图像生成VMT图像.
- 将最好的VMT模型与供应商提供的运动校正 (MOCO) 进行比较,使用FQI,MI,子系数和主观读者分数.
主要成果:
- 具有代注册的最佳VMT模型显示出卓越的性能.
- 量化指标 (FQI,MI,子) 和主观质量评分明显优于MOCO.
- 尽管有显著的呼吸诱导心脏位移,但GAN方法表现出强大的性能.
结论:
- 由GAN生成的VMT图像显著提高了MOLLI数据集中的运动校正.
- 这种方法在有呼吸运动的情况下,可促进可靠的T1映射.
- 这种方法对患有呼吸困难的患者尤其有益.
