基于深度学习的端到端运动校正和重建加速全心关节T₁/T₂映射

科学领域:

• 心血管磁共振成像 - 心血管磁共振成像
• 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:

• 准确的心肌组织表征对于诊断和监测心脏疾病至关重要.
• 传统的3D全心T1/T2绘图技术往往受到长时间的获取和重建时间的限制.
• 运动工件显著降低了心脏MRI中的图像质量和定量准确性.

研究的目的:

• 开发和验证一个端到端的深度学习算法,用于加速3D全心关节T1/T2映射.
• 通过关节运动估计和运动纠正的重建,实现高效的心肌组织表征.
• 与现有方法相比,大大减少了重建时间.

主要方法:

• 采用了自由呼吸,高分辨率,运动补偿的3D联合T1/T2水/脂肪序列,并采用多对比低样数据.
• 使用端到端的非刚性运动校正重建网络进行联合运动估计和重建.
• 将拟议的深度学习方法与最新的运动校正HD-PROST重建进行了比较.

主要成果:

• 与参考方法相比,深度学习方法产生了与良好视觉一致的重建.
• 对T1和T2地图的定量分析显示了最小的系统错误和小偏差.
• 实现了370倍以上的重建加速度 (24秒对2.5小时).

结论:

• 提出的多对比,端到端的深度学习算法为高效的全心肌肉组织表征提供了一个有前途的解决方案.
• 该方法能够准确地绘制T1和T2的地图,并大大减少了重建时间.
• 这种方法有可能显著改善心脏MRI的临床工作流程.