基于深度学习的欠采样电影式心脏 MRI 重建与分析质量感知集成框架
图像与视频处理
2022-05-05 v1 计算机视觉与模式识别
机器学习
摘要
电影式心脏磁共振（CMR）成像被认为是心功能评估的金标准。然而，电影式 CMR 采集 inherently 缓慢，近几十年来大量工作致力于在不损害图像质量或衍生结果准确性的前提下加速扫描。本文提出一个全自动、质量可控的集成框架，用于欠采样电影式 CMR 数据的重建、分割与下游分析。该框架支持径向 k 空间数据的主动采集，一旦所采数据足以产生高质量重建与分割即可停止采集。这减少了扫描时间并实现了自动分析，从而能够稳健且准确地估计功能生物标志物。为证明所提方法的可行性，我们在 UK Biobank 受试者数据集上进行了径向 k 空间采集的真实模拟，并给出了从健康受试者采集的体内电影式 CMR k 空间数据结果。结果表明，我们的方法能产出质量受控的图像，单切片平均扫描时间从 12 秒降至 4 秒，且图像质量足以自动估计临床相关参数，平均绝对差异在 5% 以内。
引用
@article{arxiv.2205.01673,
title = {A Deep Learning-based Integrated Framework for Quality-aware Undersampled Cine Cardiac MRI Reconstruction and Analysis},
author = {Inês P. Machado and Esther Puyol-Antón and Kerstin Hammernik and Gastão Cruz and Devran Ugurlu and Ihsane Olakorede and Ilkay Oksuz and Bram Ruijsink and Miguel Castelo-Branco and Alistair A. Young and Claudia Prieto and Julia A. Schnabel and Andrew P. King},
journal= {arXiv preprint arXiv:2205.01673},
year = {2022}
}