文献速递心血管儿科影像MR

使用深度学习加速儿童心脏磁共振成像进行容积评估

Accelerated cardiac magnetic resonance imaging using deep learning for volumetric assessment in children.
PubMed 文献 · Pediatr Radiol · 2024-07-17

回顾性纳入29例儿童心脏MRI,对比标准2-D cine bSSFP与深度学习加速3-RR cine序列。深度学习序列扫描时间显著缩短(45.5秒 vs 218.3秒,P<0.001),双心室容积无显著差异,但左心室质量被轻度高估(71.4 g vs 69.9 g,P<0.05),图像质量略低(2.9 vs 3.5,P<0.05)。

要点

  • 深度学习3-RR cine序列扫描时间较标准2-D cine序列缩短80%,屏气次数从12次减至3次。
  • 双心室容积和射血分数无显著差异,但左心室质量被深度学习序列轻度高估(71.4 g vs 69.9 g)。
  • 深度学习序列图像质量评分略低,尤其收缩末期轮廓、乳头肌和瓣膜显示(2.9 vs 3.5,P<0.05)。

核心结论

  • 深度学习cine序列的容积测量结果与标准cine序列无显著差异,但左心室质量被轻度高估。
  • 深度学习cine序列显著缩短扫描时间,图像质量仅略低。

研究设计与样本

  • 回顾性研究,纳入29例连续患儿(平均年龄11±5岁,中位12岁,范围1-17岁),于2022年6月至2023年2月接受心脏MRI。
  • 使用1.5特斯拉扫描仪(Signa Artist, GE Healthcare),采集标准屏气2-D bSSFP cine序列和深度学习加速3-RR cine序列,短轴位,随机顺序。
  • 由两名经验丰富的 reader 独立进行(半)自动短轴容积测量和图像质量评分(4分制)。

关键影像表现/征象

  • 深度学习cine图像在舒张末期和收缩末期轮廓、乳头肌和瓣膜显示方面的图像质量评分均低于标准cine图像。
  • 深度学习cine图像收缩末期轮廓评分2.8±0.6 vs 标准cine 3.6±0.5(P<0.001),乳头肌3.0±0.8 vs 3.6±0.6(P<0.001),瓣膜2.0±0.7 vs 3.3±0.6(P<0.001)。
  • 网格表面质量评分深度学习cine 3.1±0.8 vs 标准cine 3.1±0.7(P=0.8),无显著差异。

诊断标准与关键数值

  • 图像质量采用4分制:1=极差,几乎非诊断性;2=差;3=好;4=极好。
  • 容积测量一致性用组内相关系数(ICC)评估:>0.9为极好,0.75-0.9为好,0.5-0.75为一般,<0.5为差。
  • 左心室质量深度学习cine 71.4±33.1 g vs 标准cine 69.9±32.5 g(P<0.05)。
  • 左心室舒张末期容积深度学习cine 116.5±56.7 ml vs 标准cine 116.3±56.4 ml(P=0.8),无显著差异。
  • 左心室射血分数深度学习cine 58±4.1% vs 标准cine 58±4.3%(P=0.9),无显著差异。

临床应用与阅片要点

  • 深度学习3-RR cine序列可显著缩短儿童心脏MRI扫描时间并减少屏气次数,适用于需要快速容积评估的患儿。
  • 使用深度学习cine序列时需注意左心室质量可能被轻度高估,报告左心室质量时应谨慎。
  • 深度学习cine图像在收缩末期轮廓、乳头肌和瓣膜显示方面质量略低,阅片时需关注这些结构的评估。
  • 双心室容积和射血分数在两种序列间一致性极好(ICC>0.9),但左心室射血分数ICC为0.81,右心室射血分数ICC为0.73(深度学习cine)和0.73(标准cine)。

局限性

  • 原文未报告局限性。
全文中译15 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Pediatr Radiol. 2024 Jul 17;54(10):1674–85. doi: 10.1007/s00247-024-05978-6

引言

心脏磁共振成像(MRI)是量化心室容积和功能的参考标准,因为与超声心动图相比,它被认为是量化心室容积和质量的更准确、可重复性更好的方法[1]。电影平衡稳态自由进动(bSSFP)序列由于具有固有的血-心肌对比度和高信噪比,被广泛用于评估心室尺寸(舒张末期和收缩末期容积)、整体功能(射血分数(EF))和区域功能(室壁运动)[2, 3]。bSSFP序列的儿童正常值已有报道[4, 5]。

在采集二维(D)电影bSSFP序列短轴堆栈时,需要进行重复屏气,以基于Simpson法获得精确的心室容积[6]。确保患者充分配合对于实现规律且及时一致的屏气至关重要,从而获得可靠的定量结果[3]。屏气之间需要休息间隔,这使得多次屏气成为一个耗时的过程(完整短轴覆盖通常约需5分钟)。即使是配合良好的儿童,进行长达20秒的重复屏气也可能具有挑战性,导致伪影,从而限制图像质量和定量评估。同样,年幼儿童在麻醉下进行检查时,需要在屏气采集之间延长休息时间。另一种选择是进行自由呼吸电影bSSFP采集并采用多次信号平均,但这通常会延长检查时间。

近年来,多种MRI加速方法被引入,以加快心电图门控bSSFP电影序列的图像采集速度。这些技术策略使得在儿科病例中,例如自由呼吸图像采集[7–9]或缩短屏气时间的扫描[10, 11]成为可能。根据序列和扫描仪特性,实时MRI[8]、基于深度学习的欠采样k空间数据重建方法[7]、或使用其他空间和时间欠采样方法的加速技术[10–14]等技术已展示了有前景的结果。

最近,一种深度学习电影技术被开发出来,它使用可变密度k-t随机采样方案和展开的神经网络重建。与传统回顾性心脏门控的二维bSSFP电影采集相比,深度学习电影能够实现更高的加速。类似的深度学习方法已在成人患者队列中应用[9],并在儿童中用于自由呼吸实时电影采集[7]。根据这些研究,自由呼吸实时深度学习电影bSSFP显示与常规电影相当的整体心脏功能测量结果;然而,在实时模式下使用深度学习电影时,图像质量相对受损。将多心动周期(R-R)采集与深度学习电影相结合,对于能够屏气的患者,可能在扫描时间和图像质量之间具有更好的权衡。

本研究旨在评估采用三心动周期(3-RR)采集协议的加速深度学习电影序列与标准二维电影bSSFP序列相比的定量和定性表现。评估在涉及各种类型先天性或获得性心脏病的儿童的临床环境中进行。

我们假设电影深度学习bSSFP序列提供相似的心室容积、功能和图像质量,且扫描时间显著缩短。

材料与方法

患者人群

连续纳入30例于2022年6月至2023年2月间因临床原因接受心脏磁共振检查的患者进行此项回顾性研究。本研究经当地伦理委员会批准(BASEC编号2023–00703)。检查前已从儿童父母或法定监护人处获得书面知情同意。

磁共振成像

所有患者均在1.5特斯拉扫描仪(Signa Artist,GE Healthcare,芝加哥,伊利诺伊州)上使用前后20通道AIR™线圈(GE Healthcare)进行检查。所有患儿均接受常规屏气二维bSSFP电影序列和加速深度学习电影3-RR序列的短轴扫描(每位患儿的序列以随机顺序进行)。深度学习电影序列能够利用基于可变密度k-t随机采样和深度学习重建的高加速,以每层一至六个心动周期采集二维电影bSSFP序列。

两个序列均采用回顾性心电图门控采集,层面厚度、矩阵、回波时间和重复时间等参数相当。层面厚度为8 mm,间隔2 mm,但在五名年龄较小、体型较小的患者(年龄范围1–5岁)中减小至5–7 mm且无间隔,以获得合理数量的层面用于心室容积评估。为覆盖整个心脏,20名患者采集12层,8名患者采集13–14层,2名患者采集11层。此外,22名患者对两个序列均采集了左心室(LV)两腔心和四腔心视图。常规二维电影序列根据层面数量进行多次屏气(每次15–18 s)采集。使用深度学习电影3-RR序列,一次屏气(持续12–16 s)内采集三至四层,因此完成整个短轴堆栈采集需要三至四次屏气。对于七名在全身麻醉下扫描的患者,屏气在呼吸暂停状态下进行。深度学习电影图像在扫描仪上于10–15分钟内重建完成,不影响正在进行的扫描。

常规二维电影根据心率采用每段六至八个视图,目标时间分辨率约为20–30 ms(即每个心动周期30–40个心动相位)。深度学习电影序列采用每段十个视图,重建时间分辨率在同一范围内。

序列参数见表1。

表1 常规电影序列和深度学习电影序列的成像参数 查看原表 ↗

定量分析

所有图像均使用基于云的商用后处理软件(Tempus Pixel,芝加哥,伊利诺伊州)进行评估。来自短轴的图像在舒张末期和收缩末期进行(半)手动分割。这包括调整自动生成的心内膜双心室轮廓用于体积测量,以及左心室心外膜轮廓用于量化左心室质量。一名儿科放射科医师(J.G.,具有15年心血管磁共振(MRI)经验)和一名三年级医学生(M.K.)独立进行定量容积后处理。分别记录传统电影序列和深度学习电影序列的左心室舒张末期容积(LVEDV)、左心室收缩末期容积(LVESV)、左心室每搏输出量(LVSV)、左心室射血分数(LVEF)、左心室质量、右心室舒张末期容积(RVEDV)、右心室收缩末期容积(RVESV)、右心室每搏输出量(RVSV)和右心室射血分数(RVEF)以及按体表面积标准化的容积。乳头肌计入血池,因此不属于左心室质量的一部分。

定性图像分析

两名经验丰富的儿科心血管医师(一名放射科医师(J.G.)和一名心脏科医师(B.E.U.B.,具有15年心血管MRI经验))在对参与者人口统计学信息和序列类型设盲的情况下,独立对标准和深度学习电影图像的图像质量进行评分。图像质量评分基于四项标准:舒张末期和收缩末期轮廓描绘、乳头肌和瓣膜的可见性。两种序列短轴堆叠的图像均使用1至4分的4分制评分系统进行评分:1 = 极差,几乎无法诊断的图像质量和结构描绘;2 = 图像质量/结构描绘差;3 = 图像质量/描绘良好;4 = 图像质量/描绘优秀。如果两种序列均有左心室两腔或四腔图像,则将其纳入房室瓣显示的评估。主动脉瓣在短轴图像中进行评分。

此外,使用上述相同的4分评分对两种序列的三维“容积网格”进行评估。在评估图像质量的同时,还评估了从后处理软件获得的心脏表面的变形程度。后处理软件使用人工智能算法自动生成该网格,依赖于短轴堆叠数据的舒张末期轮廓。

统计分析

所有统计检验均使用GraphPad Prism(GraphPad Prism版本10,波士顿,马萨诸塞州)和Python(Python版本3.8,德国)软件。应用Shapiro–Wilk检验检测正态分布。进行配对t检验以比较标准和深度学习电影序列之间的心室容积和质量。进行非配对t检验以比较先天性心脏病组和非先天性心脏病组的结果。应用线性回归分析评估两种序列的心脏功能参数。创建Bland–Altman图以评估标准和深度学习电影序列获得的左心室和右心室功能参数之间的一致性。

扫描时间和图像质量评分的差异采用Wilcoxon秩和检验进行比较。采用Spearman相关系数检验图像质量、年龄和心率之间的关系。观察者间一致性采用组内相关系数(ICC)评估,一致性分级为差(< 0.5)、一般(0.5–0.75)、良好(0.75–0.9)和优秀(> 0.9)[15]。P < 0.05为差异有统计学意义。

结果

患者

30例患者(平均年龄11 ± 5.1岁,中位年龄12岁,四分位距9,范围1–17岁)接受了两种序列的检查。1例患者因以严重心肌肥厚为特征的心肌病妨碍了正确的心室评估而不得不被排除在研究之外。7例患者在全身麻醉下接受检查(平均年龄3.7 ± 2.8岁,中位年龄4岁,范围1–9岁)。

患者患有各种类型的先天性心脏或主动脉疾病,部分患者既往接受过手术矫治。2例患者接受检查以排除临床怀疑的心肌病。患者心率范围在50至120次/分之间(平均73 ± 20次/分)。

患者人口学特征见表1和表2。

表2 患者特征 查看原表 ↗

扫描时间

短轴层叠采集的平均扫描时间在标准二维电影序列中为218.3 ± 44.8秒,在3-RR深度学习电影序列中为45.5 ± 13.8秒,平均数据采集时间显著缩短(80%)(P < 0.001)。在传统电影采集时,需进行12次(范围11–14次)屏气才能获取完整的短轴层叠,而3-RR深度学习电影序列仅需3次屏气。

定量结果

左心室

除左心室(LV)质量外,我们未检测到两种序列在左心室容积结果方面存在显著差异(表3)。LVEDV在标准电影序列中为116.3 ± 56.4 ml,在深度学习电影序列中为116.5 ± 56.7 ml(P = 0.8),LVESV为48.7 ± 23.4 ml vs. 48.8 ± 23.4 ml(P = 0.9),LVSV为67.6 ± 33.9 ml vs. 67.9 ± 33.9 ml(P = 0.8),LVEF为58 ± 4.3% vs. 58 ± 4.1%(P = 0.9)。深度学习电影序列的LV质量(71.4 ± 33.1 g)较标准电影序列(70 ± 32.5 g;P = 0.008)显著增加。

经体表面积归一化的数值在两种序列之间无差异(LVEDV传统电影序列84.1 ± 24.2 ml/m2 vs. 深度学习电影序列83.9 ± 23.6 ml/m2)。7例患者存在左心室扩张(Z > 2)。将患者分为两个亚组(一组患有先天性心脏病,另一组无先天性心脏病)后,我们也未观察到两种序列之间存在任何显著差异。先天性心脏病组的结果汇总于表4。

线性回归显示两种序列之间所有参数均具有良好的相关性(图1)。Bland–Altman分析显示传统电影序列与深度学习电影序列结果之间的偏倚较低且一致性界限较小(LVEDV -0.2 ± 4.9 ml,LVESV 0 ± 2.6 ml,LVSV -0.2 ± 4.3 ml,LVEF 0 ± 2.1%,LV质量 -1.5 ± 2.8 g)(图2)。

表3 容积结果 查看原表 ↗
表4 先天性心脏病组的容积结果 查看原表 ↗
图1 标准电影序列和深度学习电影序列左心室(LV)(a-e)和右心室(RV)(f-i)容积测量的线性回归分析显示,EDV(a、f)、ESV(b、g)、SV(c、h)、EF(d、i)和质量(e)均具有极好的相关性。回归线和决定系数已整合入图中。DL 深度学习,EDV 舒张末期容积,ESV 收缩末期容积,EF 射血分数,LV 左心室,RV 右心室,SV 每搏输出量 查看原图 ↗
图2 标准电影序列与深度学习电影序列左心室和右心室容积及功能的相关性。左心室(a-e)和右心室(f-i)的Bland–Altman图显示,y轴为标准电影序列与深度学习电影序列之间计算差值,x轴为两种序列的均值,分别对应EDV(a、f)、ESV(b、g)、SV(c、h)、EF(d、i)和质量(e)。实线表示差值的均值(标准电影序列 − DL电影序列);虚线表示平均差值 ± 1.96 SD。DL 深度学习,EDV 舒张末期容积,ESV 收缩末期容积,EF 射血分数,LV 左心室,RV 右心室,SD 标准差,SV 每搏输出量 查看原图 ↗

右心室

右心室(RV)容积测量未显示两种方法之间存在显著差异(表3)。与LV相似,线性回归分析发现常规电影序列与深度学习电影序列结果之间密切相关(图1)。与传统电影序列图像相比,深度学习电影序列图像的RVEDV(128.3 ± 57.4 ml)和RVESV(59.9 ± 27.5)略有升高,但差异无统计学意义(RVEDV 127.5 ± 58.7 ml;P = 0.2/RVESV 59.3 ± 28 ml;P = 0.3)。与深度学习电影序列结果相比,标准电影序列的RVSV未见显著升高(68.4 ± 32.0 ml vs. 68.2 ± 32.7 ml;P = 0.7)。经体表面积指数化的RVEDV显示两种序列之间存在显著差异(常规电影序列 96.4 ± 25.9 ml/m2 vs. 深度学习电影序列 95 ± 25.5 ml/m2;P = 0.03)。29例患者中有6例右心室扩大(Z > 2),其中先天性心脏病组15例中有5例。除RVEDV外(常规电影序列 108.5 ± 52.3 ml vs. 深度学习电影序列 106.8 ± 52.9 ml;P = 0.03),有无先天性心脏病患者的RV结果在两种序列之间无差异(表4)。

Bland–Altman图显示,与LV容积相比,RV容积的偏倚更明显,一致性界限较窄(RVEDV 0.7 ± 3.3 ml,RVESV 0.6 ± 3.0 ml,RVSV 0.3 ± 3.8 ml,RVEF -0.1 ± 2.7%)(图2)。

可重复性

由标准电影序列和深度学习电影序列图像得出的多数左、右心室容积测量值及LV质量之间,观察者间一致性极好(ICC 0.98–1)。我们观察到两种序列类型的LVEF相关性良好(ICC 0.81),深度学习电影序列的RVEF相关性良好(ICC 0.81),而使用标准电影序列图像的RVEF相关性接近良好(ICC 0.73)。所有数值总结于表3。

定性结果

与深度学习电影序列图像相比,常规二维电影序列图像的平均总体图像质量评分显著更高,包括舒张末期(ED)和收缩末期(ES)轮廓、乳头肌和瓣膜的显示(3.5 ± 0.4 vs. 2.9 ± 0.5;P < 0.001)。至少有一名阅片者将深度学习电影序列的ES轮廓、乳头肌和瓣膜图像质量评分较标准电影序列图像低一分以上。

标准二维电影图像中用于ED轮廓勾画的平均图像评分为3.8 ± 0.4,而深度学习电影图像为3.4 ± 0.6(P = 0.04)。这一差异在ES轮廓中更为明显,传统电影图像的平均评分为3.6 ± 0.5,而深度学习电影图像为2.8 ± 0.6(P < 0.001)。在比较乳头肌(标准电影3.6 ± 0.6 vs. 深度学习电影3.0 ± 0.8;P < 0.001)和瓣膜显示(标准电影3.3 ± 0.6;深度学习电影2.0 ± 0.7;P < 0.001)时也发现了类似的观察结果。深度学习电影的网络表面质量评分(3.1 ± 0.8)略高于传统电影序列(3.1 ± 0.7;P = 0.8)。图像质量的差异与年幼儿童的镇静状态无关。我们未观察到图像质量与年龄的相关性。两种序列的心率与图像质量之间均无关系。

ED和ES时传统电影图像和深度学习电影图像的示例见图3和图4,以及在线补充材料1和2中的两个视频。图5展示了瓣膜显示的代表性示例,包括四腔心切面。图6展示了两种序列高质量和差质量网络表面的示例。

图3 一名2岁Marfan综合征男孩在全身麻醉下接受检查时,传统二维电影图像与深度学习电影图像之间不同图像质量的示例图像。短轴方位基底层面舒张末期(a、b)和收缩末期(c、d)图像。a和c采用传统电影序列采集,舒张末期(ED)轮廓平均评分为4,收缩末期(ES)轮廓为3.5,乳头肌(PM)为3.5。b和d为同一层面位置的深度学习电影图像,平均评分分别为3(ED)、2(ES)和2(PM) 查看原图 ↗
图4 一名13岁男孩血管环修复术后传统二维电影图像(a、c)和深度学习电影图像(b、d)的高质量图像示例。短轴中间心室位置舒张末期(a、b)和收缩末期(c、d)图像。传统图像的平均图像评分为舒张末期(ED)轮廓4、收缩末期(ES)轮廓4、乳头肌(PM)4,而深度学习电影图像评分为4(ED)、3.5(ES)和4(PM) 查看原图 ↗
图5 一名9岁男孩左冠状动脉异常起源矫正术后的示例病例。四腔心切面(a、b)和短轴(c、d)的传统电影(a、c)和深度学习电影(b、d)图像用于瓣膜显示。传统图像瓣膜勾画的平均评分为4,而深度学习电影图像为2 查看原图 ↗
图6 基于两名患者传统电影图像和深度学习电影图像自动生成的三维网络表面轮廓,作为良好和差图像质量的代表性示例。右心室显示为红色,左心室显示为青绿色。a、b 一名16岁青少年男孩部分性肺静脉异位引流手术矫正术后。传统电影(a)评分较低为3,而深度学习电影网络评分为4。c、d 一名9岁男孩冠状病毒感染后,两种序列均显示质量差(c传统电影,d深度学习电影),平均评分分别为1和2,原因是呼吸不一致导致的变形 查看原图 ↗

讨论

在本研究中,我们对29名患有各种心血管疾病的儿童进行了加速深度学习电影bSSFP序列(3-RR间期采集)与标准二维电影bSSFP序列的临床验证比较。我们发现,深度学习电影序列能够显著缩短采集时间,而图像质量仅略有降低。我们未发现两种序列在双心室容积和射血分数方面存在任何显著差异。

心脏磁共振中用于容积和功能评估的标准方法包括采集短轴堆栈的二维bSSFP电影切片。然而,这种传统技术的一个显著局限性是需要多次屏气以减轻呼吸运动伪影。这对于危重患者和年幼儿童尤为困难,他们可能难以在检查过程中保持不动。由于传统分段电影bSSFP序列采用回顾性心电门控,心律失常也可能导致技术问题和图像质量下降。通常,在这种类型的电影序列中,整个k空间的分段数据通过多个RR间期在多个心动周期内读出。

应用无需屏气的自由呼吸序列或使用较少RR间期的加速图像采集可能克服这些重要局限性。近年来,已开发出多种基于深度学习的技术,在放射学应用中取得了显著进展。具体而言,重点一直放在加速扫描过程、最小化伪影以及维持心脏磁共振中的图像质量[16–19]。

我们的研究应用了一种新开发的深度学习电影序列,采用可变密度k-t随机采样和深度学习重建。该序列使用回顾性心脏门控,能够基于一至六个心动周期实现加速二维电影bSSFP图像采集。在本研究中,我们应用了3-RR深度学习电影版本,即图像基于三个心动周期采集。因此,与标准电影序列相比,图像采集时间显著缩短(80%)。采集短轴堆栈所需的屏气次数减少(三次而非12次),因为单次屏气内即可获得多个切片。

左心室和右心室容积分析显示,深度学习电影序列与标准电影序列之间具有强相关性,一致性界限较窄。即使在存在多例复杂先天性心脏病患者的临床环境中,观察者间一致性也非常好。由于先天性心脏病患者解剖结构异常且右心室经常增大,在准确勾画心内膜轮廓方面可能存在挑战[20]。这可能是我在先天性心脏病患者中观察到的深度学习电影序列对右心室舒张末期容积略有低估的原因。此外,尽管第二位阅片者是一名三年级医学生且此前无心血管磁共振经验,我们仍获得了极好的测量可重复性。

我们推测,心外膜轮廓的微小差异可能是深度学习电影序列中左心室质量高估出现统计学显著但无临床相关差异的原因。

Orii 等人最近的一项研究描述了类似的方法学方法,使用呼吸门控实时电影序列并结合深度学习重建,用于成人的容积分析[9]。与我们的结果相似,他们未观察到深度学习重建电影序列与常规二维电影序列在容积测量方面存在任何显著差异,并报告深度学习重建电影序列的扫描时间更短。相反,他们报告深度学习重建电影序列中左心室质量被低估,可能归因于技术限制导致图像模糊。

另一项近期研究在儿童和年轻成人中应用了一种高度加速、基于模型的自由呼吸深度学习方法[7]。将这种对欠采样k空间数据的基于模型的重建方法[21]与标准二维平衡稳态自由进动(bSSFP)电影序列进行比较,结果显示双心室容积和左心室质量具有极好的一致性,并且使用深度学习序列的采集时间显著缩短。

过去,不同研究组对用于促进成人容积图像采集的实时成像进行了研究[22–26]。Röwer等人最近的一项发表研究了儿童自由呼吸实时MRI序列与标准屏气采集相比的表现,结果显示容积和功能结果相当[8]。尽管自由呼吸期间的实时成像在患者依从性以及生理性心脏和肺部条件方面对儿童似乎非常有利,但该技术需要专门的后处理软件,且尚未广泛可用。

与自由呼吸实时成像不同,压缩感知技术可实现快速扫描时间和更短的屏气时间[10–14, 27, 28]。在Naresh等人最近的一项研究中,在儿童和年轻成人中将压缩感知方法与标准电影bSSFP序列进行验证时,未报告容积评估方面的显著差异[10]。然而,压缩感知技术仅使扫描时间减少43%,所需屏气次数减少50%,而我们的比较使用深度学习电影序列使采集时间缩短了80%。

在我们的研究中,两位阅片者对整体图像质量的评分均较低。深度学习电影序列的整体图像评分比标准电影图像低0.6分(2.9 ± 0.5 对 3.5 ± 0.4),表明深度学习电影图像达到了接近良好的诊断质量3分。我们认为深度学习电影序列的整体图像质量足以满足诊断目的,且不会影响治疗决策。舒张末期轮廓的差异相当小(评分差异0.4),而收缩末期轮廓(差异0.8)和乳头肌(差异0.6)的差异更为明显。具体而言,深度学习电影图像中短轴切面主动脉瓣和四腔心切面房室瓣的识别受到显著影响,平均评分为2。幼儿使用全身麻醉未影响图像质量差异。我们还排除了年龄或心率等其他因素,未发现其与图像质量存在关系。

在Orii等人进行的定性分析中,深度学习重建电影图像的整体图像质量下降,归因于心内膜边缘界定较差和运动伪影增多[9]。在实时MRI研究中,整体图像质量仅显示序列间微小差异,实时图像在乳头肌和血池对比度方面评分较低[8]。在比较压缩感知与标准电影bSSFP序列的研究中,定性图像评估未显示在边缘界定、血-心肌对比度和伪影方面存在显著差异[10]。

本研究存在若干局限性。这是一项单中心研究,患者数量较少。由于我们试图在临床环境中评估两种序列,研究人群的年龄范围较宽。年轻患者在全身麻醉下接受检查,而大多数患者在没有镇静的情况下接受检查。年龄较大和清醒患者的呼吸不一致及潜在运动伪影等因素可能影响图像质量。

我们使用标准化扫描方案进行研究,仅使用3-RR深度学习序列,这是在可用的1-RR和6-RR选项之间的折中方案。尽管比较不同RR间期会很有趣,但在临床常规中直接比较各种RR间期是不可行的,因为这会使检查时间延长至超出可接受的时间限制。此外,所使用的方案尚未完全针对儿科扫描进行优化,未来可在加速因子以及空间和时间分辨率方面实现进一步改进。

第二阅片者是一名没有心脏MRI既往培训经历的经验不足的医学生。尽管如此,我们在两种序列的体积评估中实现了极好的观察者间一致性。

目前扫描仪上的深度学习电影图像重建时间在中央处理器上长达15分钟,预计未来通过优化深度学习模型将缩短该时间。这一改进旨在使图像在扫描后即可立即获得。

需要涉及更多患者的进一步研究,以更全面地评估深度学习电影技术的优势。此外,序列开发需要进一步进展,重点关注创建保持高质量图像的自由呼吸深度学习序列,最终消除屏气或插管麻醉的需要。

结论

总之,与参考标准电影SSFP序列相比,这种高度加速的深度学习电影MRI序列实现了相似的双心室容积和功能结果。深度学习电影序列显著缩短了儿童心脏功能分析的扫描时间。在儿科人群或依从性有限或有明显心律失常的患者中,这些新序列代表了临床常规成像的重大改进。

补充信息

以下是电子补充材料的链接。补充文件1(MPG 1.93 MB)

补充文件2(MPG 2.49 MB)

引用

  1. Koechli M, Callaghan FM, Burkhardt BEU, et al. Accelerated cardiac magnetic resonance imaging using deep learning for volumetric assessment in children. Pediatr Radiol. 2024. PMID: 39017676. doi:10.1007/s00247-024-05978-6
  2. 全文:PMC11377620(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11377620/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。