快速的二维平衡稳定状态自由先行序列的临床实用性与深度学习重建

科学领域:

• 心血管磁共振 (CMR) 影像成像
• 医学成像技术 医学成像技术
• 深度学习在放射学中的应用.

背景情况:

• 心血管磁共振 (CMR) 电影成像通常受到长时间采集时间的限制.
• 加速成像技术对于提高患者的吞吐量和舒适性至关重要.
• 深度学习重建为减少CMR扫描持续时间提供了一个潜在的解决方案.

研究的目的:

• 评估加快2D电影序列与深度学习重建 (Sonic DL) 的临床实用性.
• 评估Sonic DL对定量体积,心脏功能和图像质量的影响.
• 在CMR成像中确定Sonic DL的最佳加速度因子.

主要方法:

• 一项子研究将Sonic DL的8x和12x加速度因子与定量测量的标准cine方法进行了比较.
• 108名参与者使用标准cine和优化的SonicDL方法进行前性成像.
• 用临床阅读器和定量指标评估图像质量;使用统计分析比较体积和应变测量.

主要成果:

• 8倍加速度的Sonic DL与参考 cine 方法非常相匹配,在体积或功能上没有显著差异.
• 8倍加速的Sonic DL方法将采集时间减少了37% (p < 0.0001),而不会影响诊断图像质量.
• 虽然大多数体积和应变参数相似,但左心室质量和纵向应变稍微高估了Sonic DL (p < 0.001).

结论:

• 采用以8倍加速的深度学习重建 (Sonic DL) 的加速2D cine CMR方法显著减少了扫描时间.
• 这种方法保持了诊断图像质量和体积精度,使其适合临床使用.
• 索尼克DL代表了对高效和有效的临床CMR成像的有希望的进步.