通过深度学习支持的CMR动脉旋转标记 (DeepMASL) 来绘制心肌动脉血流的精度提高:微球 in vivo验证

科学领域:

• 心血管成像 - 心血管成像
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 心肌动脉旋转标记 (ASL) 方法与噪声作斗争,限制了精确的心肌动脉血流量 (MBF) 量化.
• 现有的ASL技术对背景和生理噪声敏感,影响诊断可靠性.

研究的目的:

• 开发和验证一个支持深度学习的ASL方法 (DeepMASL),用于准确的MBF量化.
• 为了评估DeepMASL在诱导冠状动脉狭窄的狗模型中的性能.

主要方法:

• 一个基于物理的深度学习网络 (DeepMASL) 使用具有不同噪音水平的合成ASL信号进行训练.
• 用DeepMASL测量心肌动脉血流量,并与健康和狭窄的狗的侵入性微球测量进行比较.
• 在不同的生理条件下,狗接受了诱导的高血压,以评估MBF.

主要成果:

• 深度MASL将MBF低估率从33-49% (非深度MASL) 降至10%以下.
• 在不同的狭窄水平上观察到DeepMASL和微球MBF值之间的强相关性 (r = 0.85-0.86).
• 布兰德-阿尔特曼分析显示,对于DeepMASL测量,偏差最小和可接受的变化.

结论:

• 在冠状动脉狭窄的情况下,DeepMASL显著提高了区域MBF量化的准确性.
• 经过验证的DeepMASL技术显示出在心肌输液缺陷的非对比诊断中临床翻译的潜力.