用于通过有效的时空特征利用进行心脏影像核磁共振复原的卷积循环U网
Donghang Lyu1, Marius Staring1, Matthias J P van Osch1
1Department of Radiology, Leiden University Medical Center, Leiden, the Netherlands.
Medical physics
|December 31, 2025
概括
本研究介绍了CRUNet-MR,这是一种深度学习模型,通过更好地利用时空特征来改善心脏MRI重建. 该模型使得更快,更为患者友好的心脏成像能够获得高质量的结果,即使在高加速度因子下.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管成像 - 心血管成像
背景情况:
- 心脏影像磁共振成像 (MRI) 提供动态的心脏可视化,但受到缓慢的获取时间的限制,需要屏住呼吸.
- 加速成像技术可以加快扫描速度,但可能会影响图像分辨率.
- 深度学习模型显示出从低样本数据中重建高质量的图像的前景,但通常无法充分利用电影MRI中的时空特征.
研究的目的:
- 通过将卷积循环运算与U-Net架构集成来增强电影MRI重建.
- 改进对固有的时空特征的利用,以提高重建性能.
主要方法:
- 开发了CRUNet-MR,这是一个结合卷积循环运算和U-Net架构的深度学习模型,用于增强的时空特征提取.
- 整合了扩张的卷积,以扩大空间受体场,并探索了最佳的扩张因子.
- 在CMRxRecon2023数据集上训练和验证模型,使用不同的加速度因子 (4-24) 并在内部数据集上进行测试.
主要成果:
- 与基准模型相比,CRUNet-MR在统计学上表现出显著的改进,特别是在重建动态心脏区域方面.
- 实现了高质量的重建,平均SSIM得分为0.986在4x加速和0.971在8x加速.
- 废弃研究证实了模型设计选择的有效性,并在内部数据集上的验证显示出良好的概括性和适应性.
结论:
- 通过利用时空特征,CRUNet-MR有效地重建高质量的电影MRI图像,特别是在动态的心脏区域.
- 该模型的性能支持更高的加速因子,为更快,更为患者友好的心脏成像扫描铺平了道路.
