隐式神经表现的可行性 学习运动补偿3D螺旋堆自由呼吸心脏定量敏感度映射
Jiahao Li1,2, Angela Deng2,3, Chao Li2,4
1Meinig School of Biomedical Engineering, Cornell University, Ithaca, New York, USA.
Magnetic resonance in medicine
|March 2, 2026
概括
这项研究引入了一种新的自由呼吸心脏定量敏感度映射 (QSM) 方法,使用深度学习来补偿运动. 与传统方法相比,这种方法提供了更好的图像质量和精确的差异性血液氧化 (ΔSO2) 测量.
科学领域:
- 心血管成像 - 心血管成像
- 医学物理 医学物理
- 医学中的人工智能
背景情况:
- 不同的血液氧化率 (ΔSO2) 对于心血管评估至关重要.
- 目前的侵袭性方法,如右心脏导管注射有局限性.
- 具有定量敏感度映射 (QSM) 的非侵入性心脏MRI显示出有希望的结果,但在采集时间和稳定性方面面临挑战.
研究的目的:
- 开发一种使用螺旋采样和深度学习进行运动补偿的自由呼吸心脏QSM技术.
- 为了提高非侵入性 ΔSO2 定量化的稳定性和缩短采集时间.
- 评估拟议方法的性能与标准的自由呼吸导航员门的卡特西安获取相比.
主要方法:
- 采用了一种回顾式自闭式螺旋堆多回声梯度回声序.
- 隐式神经表示 (INR) 学习被用于图像重建和运动场推断.
- 基于物理学的信号建模和时空坐标输入使运动纠正的水,脂肪和现场地图估计成为可能.
主要成果:
- 基于INR的方法成功地重建了所有10名健康受试者的运动校正图.
- INR-QSM显示出优越的图像质量,与参考导航器开关的QSM相比 (p=0.0067).
- 实现了相当的 ΔSO2 测量,显示高相关性 (r=0.74,p<0.001) 和最小偏差.
结论:
- 隐式神经表示 (INR) 是可行的运动补偿在自由呼吸的3D心脏QSM.
- 拟议的方法提高了图像质量,同时保持了准确的 ΔSO2 量化.
- 这种技术为心血管评估提供了更强大,更有效的非侵入性方法.
更多相关视频
06:56Human Fetal Blood Flow Quantification with Magnetic Resonance Imaging and Motion Compensation
Published on: January 7, 2021
2.9K
11:13Quantification of Mouse Heart Left Ventricular Function, Myocardial Strain, and Hemodynamic Forces by Cardiovascular Magnetic Resonance Imaging
Published on: May 24, 2021
7.4K
