定量负荷灌注心血管磁共振的深度学习运动校正
计算机视觉与模式识别
2025-10-02 v1
摘要
背景:定量负荷灌注心血管磁共振(CMR)是评估心肌缺血的有力工具。运动校正对于精确的逐像素映射至关重要,但传统的基于配准的方法速度慢且对采集变异性敏感,限制了鲁棒性和可扩展性。方法:我们开发了一种基于无监督深度学习的运动校正流水线,用高效的一次性估计取代了迭代配准。该方法分三步校正运动,并使用鲁棒主成分分析来减少对比度相关效应。它对灌注序列和辅助图像(动脉输入函数和质子密度加权序列)进行对齐。模型在来自201名患者的多供应商数据上进行训练和验证,其中38名留作测试。通过时间对齐和定量灌注值评估性能,并与先前发表的基于配准的方法进行比较。结果:深度学习方法显著改善了时间-强度曲线的时间平滑性(p<0.001)。心肌对齐(Dice = 0.92 (0.04) 和 0.91 (0.05))与基线相当,且优于配准前(Dice = 0.80 (0.09),p<0.001)。灌注图显示运动减少,心肌中的标准差低于基线(0.52 (0.39) ml/min/g 对比 0.55 (0.44) ml/min/g)。处理时间减少了15倍。结论:该深度学习流水线能够实现快速、鲁棒的负荷灌注CMR运动校正,提高了动态和辅助图像的准确性。在多供应商数据上训练,它能跨序列泛化,可能促进定量灌注成像在临床上的更广泛应用。
引用
@article{arxiv.2510.00723,
title = {Deep learning motion correction of quantitative stress perfusion cardiovascular magnetic resonance},
author = {Noortje I. P. Schueler and Nathan C. K. Wong and Richard J. Crawley and Josien P. W. Pluim and Amedeo Chiribiri and Cian M. Scannell},
journal= {arXiv preprint arXiv:2510.00723},
year = {2025}
}
备注
Under review