评估低采样方案和深度学习重建用于高分辨率3D双回声稳态膝盖成像在7T:GRAPPA,CAIPIRINHA和压缩传感之间的比较
Thomas Marth1, Adrian Alexander Marth, Georg Wilhelm Kajdi
1From the Advanced Clinical Imaging Technology, Siemens Healthineers International AG, Zurich, Switzerland (C.v.D.); Swiss Center for Musculoskeletal Imaging, Balgrist Campus AG, Zurich, Switzerland (T.M., D.N., C.v.D.); Medical Faculty, University of Zurich, Switzerland (T.M., A.A.M., G.W.K., R.S., D.N.); Department of Radiology, Balgrist University Hospital, Zurich, Switzerland (T.M., A.A.M., G.W.K., R.S.); and Research & Clinical Translation, Magnetic Resonance, Siemens Healthineers AG, Erlangen, Germany (M.D.N., D.P.).
使用深度学习重建进行不连贯的低样本采集,可实现快速,高分辨率的3D DESS膝盖成像. 压缩感应 (CS) DESS与深度学习 (DL) 显示出对软骨评估的希望.
科学领域:
- 磁共振成像 (MRI) 是一种磁共振成像技术.
- 放射学 放射学是一门学科.
- 生物医学工程 生物医学工程
背景情况:
- 3D DESS MRI为膝关节软骨成像提供了高同位素分辨率,特别是在高场强度下.
- 加快采集技术对于临床可行性至关重要,但最佳的亚样采集方案仍未确定.
研究的目的:
- 评估最佳的下样方案及其对膝关节软骨3D DESS MRI的限制.
- 用深度学习重建来比较不连贯 (压缩的感知) 和正规 (GRAPPA,CAIPIRINHA) 的低样本模式.
主要方法:
- 获得了40个膝盖的7T 3D DESS图像,具有不同的下样本因子 (R=4-30) 和方案 (GRAPPA,CAIPIRINHA,CS).
- 使用深度学习 (DL) 算法重建图像.
- 评估图像质量和对软骨病变的读者间协议.
主要成果:
- 16倍加速的CS图像在质量上与GRAPPA的4倍和CAIPIRINHA的8倍相当,但获得的速度明显更快.
- 在经过测试的加速因子和方案中,对软骨病变的读者间一致性几乎是完美的.
结论:
- 与DL重建相结合的不连贯的低样本 (CS) 为加速的3D DESS软骨成像提供了显著的优势.
- 这种方法可以实现快速,高分辨率的采集,而不会影响图像质量,适用于7T的肌肉骨评估.
相关概念视频
01:21Imaging Studies for Cardiovascular System IV: CMRI
01:27Imaging Studies III: Computed Tomography