超级MoCo-MoDL:一个结合超分辨率和运动校正下样深度学习重建框架,用于三维全心心磁共振成像
Andrew Phair1, Simon J Littlewood1, Anastasia Fotaki1
1School of Biomedical Engineering and Imaging Sciences, King's College London, London, United Kingdom.
概括
这项研究介绍了Super-MoCo-MoDL,这是一种用于心脏磁共振 (CMR) 成像的新型深度学习框架. 它可以实现高分辨率的3D全心成像,显著减少扫描时间,改善心血管疾病评估.
科学领域:
- 心血管成像 - 心血管成像
- 医疗图像重建 医疗图像重建
- 放射学中的深度学习
背景情况:
- 心脏磁共振 (CMR) 对于评估心血管疾病至关重要,但由于扫描时间和运动长,其分辨率受到限制.
- 与CT相比,在CMR中实现更高的分辨率是具有挑战性的,需要先进的重建技术.
研究的目的:
- 开发一种使用深度学习和超高分辨率的高分辨率3D全心CMR技术.
- 显著缩短扫描时间,同时保持或改善心血管成像的图像质量.
主要方法:
- 使用两个神经网络开发了一种新的框架,即基于超级运动校正 (MoCo) 模型的深度学习 (MoDL).
- 该框架在代重建过程中结合了运动校正和数据一致的超分辨率.
- 在156个3D数据集上进行训练,该框架应用于先天性心脏病 (CHD) 和冠状动脉疾病 (CAD) 患者数据.
主要成果:
- 高分辨率的3D全心CMR图像在约0.8-2.1分钟内被重建,实现了~18倍的加速.
- 重建显示了与标准高分辨率采集相似的清晰,高质量的图像.
- 冠状动脉斑块可视化在疑似CAD患者中实现,与CT冠状动脉血管学 (CTCA) 相比.
结论:
- 超级MoCo-MoDL成功地从低分辨率的数据中重建了高分辨率的3D全心图像.
- 该技术为加速心血管磁共振成像提供了显著的进步.
- 这种方法有望改善各种心血管疾病的诊断能力.
