uAIFI协同创新成果:ACS Cine超快心脏电影成像!深圳先进院&梅州市人民医院探索心脏磁共振AI加速技术新应用

文摘   科技   2024-07-31 08:15   美国  


编者按


中国科学院深圳先进技术研究院朱燕杰研究员团队携手梅州市人民医院放射科范伟雄主任团队,基于联影高端科研型 3T 磁共振系统,前瞻性地评估了将 ACS Cine 加速技术和 model-based low-rank plus sparse network(L+S-Net) 算法应用于左心室(LV)检查的可行性和准确性。研究结果表明,在 3T 下使用 L+S-Net 评估 LV 功能的结果与参考标准相当,同时采集时间大幅度减少。这一结果提高了 L+S-Net 方法的临床适用性,有助于缓解由于长时间采集引起的患者不适和运动伪影。

近日,该研究成果以 “Accelerated cardiac cine magnetic resonance imaging using deep low-rank plus sparse network: validation in patients” 为题发表于国际权威期刊《Quantitative Imaging in Medicine and Surgery》[1]。深圳先进院严辰媛和刘元元为共同第一作者,范伟雄主任和朱燕杰研究员为共同通讯作者。


01 研究背景


心血管疾病是全球死亡的主要原因,心脏疾病的诊断已成为全球医疗保健中的关键任务。左心室(LV)容积的准确和可重复评估在各种心脏疾病管理中至关重要,是影响患者预后的最重要因素之一。其中,先进心脏诊断技术的进步与发展对于评估 LV 功能十分重要。心血管磁共振成像被公认为双心室容积和功能无创评估的金标准。临床标准的数据采集方法是回顾性心电图门控二维分段屏气心脏电影成像。该技术在多个心动周期内捕捉 k 空间数据,以实现高空间和时间分辨率。因此,患者在数据采集过程中需要多次屏住呼吸,这可能导致不适并限制心脏运动,从而可能影响检测结果的准确性。此外,多次屏气的需求可能导致部分患者出现低氧血症,复杂化工作流程并延长检查时间。快速心脏电影成像可以显著加快扫描速度,允许自由呼吸采集,简化临床检查。近年来,基于深度学习(DL)的方法在图像重建中变得越来越流行,并显示出显著加快 MRI 检查速度的巨大潜力。DL 方法可以在几秒钟内完成新扫描的重建,克服了压缩感知重建需要长时间计算的问题。因此,它们更适合临床场景和对时间敏感的成像扫描。

 最近,提出了一种展开网络,称为低秩加稀疏网络(L+S-Net)[2]该网络具有较强的可解释性,并能生成高质量图像。然而,这种方法尚未在临床环境中进行优化或前瞻性评估。本研究的目的是前瞻性验证 L+S-Net 在高度加速心脏电影成像中的临床表现,以传统的分段平衡稳态自由进动(bSSFP)序列作为参考标准


02 研究方法


本研究招募了 41 名患有不同心脏病的患者。对每位患者分别进行使用 L+S-Net 的加速 MR 电影成像和传统的心电图(ECG)门控分段电影成像。测量并比较了 L+S-Net 和传统标准的主观图像质量(IQ)评分和定量 LV 容积功能参数。通过配对 t 检验比较 L+S-Net 和标准电影重建的心血管磁共振图像的 IQ 评分和 LV 容积测量值,并计算了两种方法的采集时间。

图 1. 用于加速 MR 电影成像的 L+S-Net 算法框架


03 研究结果


在定量分析中,L+S-Net 和标准心脏电影对所有 LV 功能参数的测量值(射血分数:标准心脏电影为 35±22,L+S-Net 为 33±23)相似。同时,L+S-Net 和标准心脏电影的平均采集时间为 0.83±0.08 秒和 6.35±0.78 秒/每片层(P<0.001),L+S-Net 的采集时间大幅降低,有助于减少因长时间扫描带来的患者不适感和图像伪影

图 2. 标准心脏电影图像和 L+S-Net 重建图像的对比

图 3. 标准心脏电影图像和 L+S-Net 重建图像用于 LV 功能参数评估的一致性评价结果

04 研究展望


人工智能技术浪潮席卷全球。在数据采集、重建、后处理、辅助诊断等步骤当中,人工智能技术都带来了巨大的变革联影高性能磁共振配备 24 通道心脏线圈及 ACS 加速技术,推动心脏电影磁共振的加速边界,获得高时间和空间分辨率的心脏电影图像,助力心脏影像学探索!



[1] Yan, C., Liu, Y., Wang, C., Fan, W., & Zhu, Y. (2024). Accelerated cardiac cine magnetic resonance imaging using deep low-rank plus sparse network: validation in patients. Quantitative imaging in medicine and surgery14(7), 5131–5143.
[2] Huang, W., Ke, Z., Cui, Z. X., Cheng, J., Qiu, Z., Jia, S., Ying, L., Zhu, Y., & Liang, D. (2021). Deep low-Rank plus sparse network for dynamic MR imaging. Medical image analysis, 73, 102190. 



uInnovation
共创改变——联影uInnovation全球创新大会官方账号,为客户与合作伙伴搭建一个临床与科研合作的创新平台、共享先验新知的交流平台。
 最新文章