带有个性化的训练的神经网络,用于改进MOLLI T₁映射

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 心血管磁力共振成像 (MRI) 的方法

背景情况:

• 准确的T1映射对于使用磁共振成像 (MRI) 进行心血管评估至关重要.
• 传统的T1估计方法可能受到适配不准确性和生理变异性的限制.
• 深度神经网络 (DNN) 提供了改进定量MRI分析的潜力.

研究的目的:

• 开发和验证一个个性化的深度神经网络 (PTNN) 用于使用MRI模拟改进T1映射.
• 与传统的安装方法相比,提高MOLLI (多器官,低倒置) T1估计的准确性.
• 调查PTNN在幻影和体内数据集中的表现.

主要方法:

• 使用模拟的MOLLI信号来训练一个神经网络,该信号根据个别扫描参数和心率触发器量身定制.
• 个性化训练神经网络 (PTNN) 方法应用于T1映射.
• 来自11个幽灵和10名健康志愿者的数据被用于验证.

主要成果:

• 在幻影研究中,PTNN在T1估计中的偏差明显较小,与传统的拟合相比.
• 在体内研究表明,PTNN产生的T1值较高的心肌和血液与传统的装配相比.
• 使用PTNN (消除暂停) 减少获取时间仍然导致心肌T1值更高.

结论:

• PTNN提供了一种后处理方法,用于生成T1地图,其准确度提高,比传统装配更高的值.
• 该方法在幻体T1和T2值的生理范围内表现良好.
• PTNN在志愿者中实现了改善的T1估计,即使使用加速成像协议,也没有新的脉冲序列.