基于深度学习的胎儿心脏MRI重建挑战
图像与视频处理
2023-08-16 v1 计算机视觉与模式识别
机器学习
摘要
动态自由呼吸胎儿心脏MRI是最具挑战性的成像方式之一，其需要高时间和空间分辨率以描绘微小胎儿心脏的快速变化。深度学习方法恢复欠采样数据的能力有助于优化kt-SENSE采集策略并改善非门控kt-SENSE重建质量。在本工作中，我们利用大规模体内数据集探索用于重建kt-SENSE式采集数据的有监督深度学习网络。在获得全采样低分辨率多线圈胎儿心脏MRI的基础上，我们研究了网络从欠采样数据恢复全采样数据的性能。我们考虑模型架构与训练策略，并结合用于采集该数据集的真实临床设置，以使网络能够恢复前瞻性欠采样数据。我们探索了一系列修改，以在真实数据上形成动态胎儿心脏MRI的基线性能评估。我们在线圈合并数据上系统评估模型，以揭示所提架构改动在胎儿心脏特性背景下的影响。我们表明，性能最佳的模型在大尺度上恢复了母体解剖结构的细致描绘，但胎儿心脏的动态特性表征不足。直接在多线圈数据上训练提升了模型性能，使其可前瞻性应用于欠采样数据，并优于为成人心脏电影MRI提出的CTFNet。然而，这些模型在定性上表现相似，能很好地恢复母体身体但低估了胎儿心脏的动态特性。这种高度局部的胎儿心脏快速变化动态特征表明，针对胎儿心脏应用可能需要更具针对性的训练和评估方法。
引用
@article{arxiv.2308.07885,
title = {The Challenge of Fetal Cardiac MRI Reconstruction Using Deep Learning},
author = {Denis Prokopenko and Kerstin Hammernik and Thomas Roberts and David F A Lloyd and Daniel Rueckert and Joseph V Hajnal},
journal= {arXiv preprint arXiv:2308.07885},
year = {2023}
}