在自由呼吸中实时心血管磁共振成像的联合图像重建和细分,使用基于解的表示学习模型

科学领域:

• 心血管磁共振 (CMR) 图像成像
• 医疗成像中的人工智能
• 图像重建和细分 图像重建和细分

背景情况:

• 研究用于实时心脏影像成像的新型关节图像重建和细分方法.
• 开发用于自由呼吸的心脏MRI的脱而出的表示学习.
• 解决传统心电图门,呼吸心脏MRI技术的局限性.

研究的目的:

• 评估图像质量和参数一致性,用于实时心脏电影MRI的新型解的表示学习方法.
• 为了实现自由呼吸的心脏成像,缩短扫描时间.
• 评估该技术在健康参与者和心律失常患者中的可行性.

主要方法:

• 在模拟和真实CMR数据上训练了一个具有脱的表示学习的多任务神经网络.
• 对于低样本实时采集,使用了内部螺旋平衡稳定状态自由前行脉冲序列.
• 与ECG-gated细分卡特西安电影和手动细分的参考标准进行比较.

主要成果:

• 在健康参与者中,实时屏息和笛卡尔电影图像质量是可比的;在心律失常患者中,实时自由呼吸略低但有利.
• 获得了良好的观察者内部可靠性 (ICC = 0.77).
• 从拟议的模型中获得的射出分数与临床参考标准相比显示出正偏差.

结论:

• 这种新的实时CMR技术可以在1-2分钟内获得高质量的心脏影像,消除了ECG门和喘息.
• 这种方法提供了更短的扫描时间,增强了患者的舒适性,并提高了对心律失常的强度.
• 它在临床实践中为当前的细分获取方法提供了一个有希望的替代方案.