结合深度学习的重建和定量化,用于动态对比增强 (DCE) 的MRI
Juntong Jing1, Anthony Mekhanik2, Melanie Schellenberg2
1Weill Cornell Graduate School of Medical Sciences, New York, NY, United States.
Magnetic resonance imaging
|December 22, 2024
概括
这项研究引入了一个快速,深度学习管道,用于定量动态对比增强MRI (DCE-MRI). 这种新的方法显著减少了扫描时间,并提高了用于临床应用的瘤血管性评估的稳定性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 动态对比增强型MRI (DCE-MRI) 对于评估瘤血管性,范围和治疗反应至关重要.
- 定量DCE-MRI的临床使用受到采集/定量化挑战和缺乏自动化的阻碍.
- 目前的重建方法,如压缩传感,耗时.
研究的目的:
- 为快速和定量DCE-MRI开发和验证一个端到端的深度学习管道.
- 为了解决现有的DCE-MRI技术的速度和量化稳定性的局限性.
- 为了能够更好地描述瘤的行为和治疗疗效.
主要方法:
- 开发了DCE-Movienet,用于快速重建高时空分辨率的4DMRI数据 (0.66秒的重建时间).
- 集成DCE-Movienet与DCE-Qnet,用于全面量化 perfusion 参数 (Ktrans,vp,ve) 和其他因素 (T1,B1,BAT).
- 使用金角星堆k空间轨迹处理数据,并根据压缩传感验证.
主要成果:
- 实现的重建时间为0.66s,比压缩传感显著改进 (约. 10分钟) 的时间.
- 保持了图像质量,同时大大减少了重建时间.
- 证明了对DCE-MRI关键参数的全面量化.
结论:
- 端到端深度学习管道在DCE-MRI速度和量化方面取得了重大进展.
- 这种技术有望提高DCE-MRI的临床效用和性能.
- 解决了大量采用定量DCE-MRI的关键障碍.
