European Radiology:快速高质量电影CMR的深度学习超分辨率重建
2024-11-10 shaosai MedSci原创 发表于上海
成像技术的最新进展,如压缩感知在CMR电影采集中的应用,以及低采样、低分辨率采集的深度学习(DL)算法重建,已经在其他领域展示了一些潜在的临床应用。
心血管磁共振(CMR)用于诊断各种心脏疾病,如急性心肌炎、心肌梗死或心肌病。特别是,中国CMR是大多数CMR研究的支柱,提供有关心脏解剖和功能的动态信息。然而,CMR需要大量的数据来进行足够的时间和空间分辨率重建,因此检查的采集时间相对较长,导致患者不适且经济成本较高。在理想情况下,排除心肌炎或心肌梗死的标准CMR检查大约需要45分钟,许多情况下需要屏气进行图像采集。单是短轴电影CMR采集就包括12-15个屏气,每个屏气采集最多需要15秒,每次屏气后需要10秒恢复,每一叠总共需要5分钟。屏气能力有限,例如多病心衰患者、镇静患者或先天性心脏病患儿,往往导致检查条件困难,容易出现伪影。心血管成像仪的任务是平衡较短的屏气时间以避免呼吸运动的需要,以及获得心脏评估所需的足够空间和时间分辨率的图像所需的时间。一些技术,如自由呼吸允许稳定的图像采集,但往往比常规使用的屏气方法需要更长的时间。常规CMR序列的优化和新型成像技术的发展为解决CMR扫描时间问题提供了两种方法。成像技术的最新进展,如压缩感知在CMR电影采集中的应用,以及低采样、低分辨率采集的深度学习(DL)算法重建,已经在其他领域展示了一些潜在的临床应用。然而,目前,比较现有标准电影采集与DL辅助重建的数据十分缺乏。
最近,发表在European Radiology 上的一篇文章比较了标准分辨率平衡稳态自由进动(bSSFP)电影图像与用深度学习(DL)超分辨率算法重建的低分辨率电影图像的差异。
本项研究前瞻性获取健康志愿者和正常(cineNR: 1.89 × 1.96 mm2,在1.04 × 1.04 mm2重建)和低分辨率(2.98 × 3.00 mm2,在1.04 × 1.04 mm2重建)患者的心血管磁共振(CMR)数据集(短轴和4室视图)。使用压缩感知DL去噪和分辨率升级(cineDL)重建低分辨率图像,评估左室射血分数(LVEF)、舒张末期容积指数(LVEDVi)和应变,计算表观信噪比(aSNR)和噪声比(aCNR)。主观图像质量以5分李克特量表进行评估。采用学生配对t检验、Wilcoxon配对符号秩检验和类内相关系数(ICC)进行统计分析。
研究共纳入30例受试者(37±16岁;20名健康志愿者和10名患者)。cineDL短轴视图全栈采集时间短于cineNR(57.5±8.7 vs 98.7±12.4 s);P < 0.0001)。LVEF(59±7% vs 59±7%;ICC: 0.95[95%置信区间:0.94,0.99];p = 0.17), LVEDVi(85.0±13.5 vs 84.4±13.7 mL/m2;Icc: 0.99 [0.98, 0.99];P = 0.12),纵向应变(-19.5±4.3 vs -19.8±3.9%;Icc: 0.94 [0.88, 0.97];p = 0.52),短轴aSNR(81±49 vs 69±38;p = 0.32), aCNR(53±31 vs 45±27;p = 0.33),或主观图像质量(5.0 [IQR 4.9, 5.0] vs 5.0 [IQR 4.7, 5.0];P = 0.99)。
图 一名31岁健康男性志愿者的四腔和短轴影像。正常分辨率(cineNR) 4室视图(a)以及短轴cineNR (d)的获取时间比低分辨率图像(b, e)要长。从低分辨率获取的DL重建(cineDL, c, f)得到的图像质量与cineNR图像相当。与cineNR图像相比,低分辨率图像明显模糊
本项研究表明,在不影响体积测量结果和图像质量的情况下,对较低空间分辨率下获取的电影图像进行深度学习重建、缩短屏气时间,可使获取时间减少42%。
原文出处:
Dmitrij Kravchenko,Alexander Isaak,Narine Mesropyan,et al.Deep learning super-resolution reconstruction for fast and high-quality cine cardiovascular magnetic resonance.DOI:10.1007/s00330-024-11145-0
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
#CMR# #深度学习#
33