使用噪声地图估计网络 (NoiseMapNet) 快速重建SMS bSSFP心肌输液图像:与并行成像和代重建进行对比
Naledi Lenah Adam1, Grzegorz Kowalik1, Andrew Tyler1
1School of Biomedical Engineering and Imaging Sciences, Faculty of Life Sciences and Medicine, King's College London, London, United Kingdom.
Frontiers in cardiovascular medicine
|July 26, 2024
概括
一种新的深度学习方法,NoiseMapNet,加速了同时进行的多切片bSSFP心肌 perfusion成像重建. 这种技术有效地保持了图像清晰度和时间信号配置,为现有方法提供了更快的替代方案.
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:
- 同时多切片 (SMS) bSSFP成像为应力心肌输液成像提供了高分辨率.
- 标准并行成像 (TGRAPPA) 重建导致高噪声水平.
- 代重建 (ITER) 提高了图像质量,但计算速度慢,时间保真性降低.
研究的目的:
- 开发用于SMS-bSSFP心肌 perfusion成像的快速图像重建技术.
- 将并行成像与基于深度学习的无声化 (NoiseMapNet) 结合起来.
- 为了保持低计算成本的图像度和时间信号配置文件.
主要方法:
- 通过使用TGRAPPA与运动校正 (MOCO),代重建 (ITER) 和拟议的NoiseMap.Net,重建了SMS图像.
- 基于2D Unet的深度学习网络NoiseMapNet预测了用于图像消噪的噪声地图.
- 这些方法在17名患者中使用NMSE,清晰度,图像质量,PSNR和诊断段等指标进行了评估.
主要成果:
- 与ITER相比,NoiseMapNet在心肌和血液池中显示出明显较低的NMSE.
- 不同方法之间没有发现心肌敏度或诊断段的显著差异.
- 虽然ITER显示出比NoiseMapNet/TGRAPPA更高的图像质量和PSNR,但NoiseMapNet在PSNR和图像质量方面表现优于TGRAPPA.
- 通过NoiseMapNet重建,每个数据集的计算时间仅为20秒.
结论:
- 基于NoiseMapNet的重建为SMS心肌 perfusion成像提供了快速有效的解决方案.
- 该方法成功地保留了关键的图像特征,如清晰度和时间信号保真度.
- 噪音地图网为在线处理心脏MRI提供了一个有希望的进步.
