使用AIF Plus组织输入与Bi-LSTM网络进行动脉输入函数 (AIF) 校正

科学领域:

• 医疗成像医学成像
• 心血管磁力共振成像 (MRI) 的方法
• 定量输液成像技术 定量输液成像技术

背景情况:

• 动脉输入功能 (AIF) 在心脏MRI中对精确的心肌血流量 (MBF) 量化至关重要.
• 不准确的AIF,通常是由于和或偏差,可能导致 perfusion 量化中的重大错误.
• 开发可靠的方法来纠正AIF对于可靠的心脏MRI分析至关重要.

研究的目的:

• 研究改善心脏MRI中的动脉输入功能 (AIF) 精度的方法,当仅测量和和偏差的AIF时.
• 评估利用组织曲线信息和优化深度神经网络损失功能的有效性,以纠正AIF.
• 通过改进 AIF 估计来提高心肌动脉血流量量化的精度.

主要方法:

• 使用12参数AIF模型和组织曲线的隔间模型生成模拟心脏MRI数据.
• 采用Bloch模拟用于和恢复的3D辐射星序列,考虑序列的不完美.
• 训练了一种双向长期短期记忆 (Bi-LSTM) 网络,仅比较AIF损失与AIF和组织/参数损失策略的组合.

主要成果:

• 双向长期短期内存 (Bi-LSTM) 网络显著减少了AIF峰值误差,从-23.6%降至0.2-0.3%,使用模拟数据.
• 通过模拟数据,Ktrans误差从-13.5%降低到大约0%,显示出改善的输液量化.
• 在混合数据 (模拟训练,体内测试) 上,将组织曲线与AIF输入相结合,将AIF峰值误差降至1.3%,ktrans误差降至-2.4%.

结论:

• 将组织曲线与动脉输入函数 (AIF) 曲线集成为深度学习网络的输入,可以提高AI驱动的AIF校正的精度.
• 拟议的方法在模拟和混合数据集上都显示出强大的性能,包括对体内数据的应用.
• 这种方法提供了一个有前途的策略,以提高心肌肌动脉血流量定量在心脏MRI的准确性.