在心脏MRI中使用机器学习和试点音调 (PROMPT) 进行前性呼吸运动校正

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 心血管磁力共振成像 (MRI) 的方法

背景情况:

• 呼吸运动是心脏MRI的主要挑战,导致图像工件并降低诊断准确度.
• 现有的前景门技术在准确跟踪和补偿呼吸运动方面存在局限性.

研究的目的:

• 实施和评估基于试点音 (PT) 的前景门和跟踪技术的可行性,称为PROMPT.
• 利用长期短期记忆 (LSTM) 神经网络从PT信号预测呼吸运动.

主要方法:

• 进行了特定对象的校准扫描,以从图像和PT数据中估计呼吸运动.
• 一个LSTM模型被训练来预测PT信号的呼吸运动.
• 在呼吸纠正扫描期间,PROMPT使用预测的切片移动参数进行实时门关和切片位置更新,在健康志愿者和接受晚期加多增强 (LGE) 患者中进行评估.

主要成果:

• 该LSTM模型在预测呼吸运动方面表现出很高的准确性,优于线性和多项式回归模型 (NRMSEdB为-7.20dB,MAE为1.97mm).
• 在LGE成像过程中,PROMPT显著减少了剩余的平面内运动,与自由呼吸的回顾性门相比 (1.22 ± 0.38毫米对比1.35 ± 0.48毫米).

结论:

• 使用基于LSTM的预测模型的PROMPT技术在心脏MRI中成功实施了呼吸运动校正.
• 在LGE成像中,PROMPT显著减少了平面内运动,并显示了限制LGE成像中平面内运动的潜力.