基于深度强化学习的 4D Flow MRI 自适应平面重格式化
机器学习
2025-12-02 v2 计算机视觉与模式识别
摘要
背景与目的：四维相位对比 MRI（4D flow MRI）的平面重格式化耗时且易受观察者间变异性的影响，这限制了快速心血管血流评估。深度强化学习（DRL）训练智能体迭代调整平面位置和方向，无需详细的标志点即可实现准确的平面重格式化，使其适用于对比度和分辨率有限的图像（如 4D flow MRI）。然而，当前的 DRL 方法假设测试体素与训练数据共享相同的空间对齐，限制了跨扫描仪和机构的泛化能力。为了解决这一限制，我们引入了 AdaPR（自适应平面重格式化），这是一个使用局部坐标系来导航任意位置和方向体素的 DRL 框架。方法：我们使用异步优势动作演员-评论家（A3C）算法实现了 AdaPR，并在来自多个供应商的 88 个 4D flow MRI 数据集上进行了验证，包括先天性心脏病患者。结果：AdaPR 实现了 6.32 +/- 4.15 度的平均角度误差和 3.40 +/- 2.75 毫米的距离误差，优于全局坐标 DRL 方法和替代的非 DRL 方法。AdaPR 在不同体素方向和位置下保持了一致的准确性。来自 AdaPR 平面的血流测量与两名手动观察者相比没有显著差异，具有极佳的相关性（R^2 = 0.972 和 R^2 = 0.968），与观察者间一致性（R^2 = 0.969）相当。结论：AdaPR 为 4D flow MRI 提供了鲁棒的、与方向无关的平面重格式化，实现了与专家观察者相当的血流量化。其在不同数据集和扫描仪之间的适应性使其成为超越 4D flow MRI 的医学影像应用的有力候选者。
引用
@article{arxiv.2506.00727,
title = {Adaptive Plane Reformatting for 4D Flow MRI using Deep Reinforcement Learning},
author = {Javier Bisbal and Julio Sotelo and Maria I Valdés and Pablo Irarrazaval and Marcelo E Andia and Julio García and José Rodriguez-Palomarez and Francesca Raimondi and Cristián Tejos and Sergio Uribe},
journal= {arXiv preprint arXiv:2506.00727},
year = {2025}
}