文献速递心血管MR

深度学习超分辨率重建用于快速高质量电影心血管磁共振

Deep learning super-resolution reconstruction for fast and high-quality cine cardiovascular magnetic resonance.
PubMed 文献 · Eur Radiol · 2024-10-23

前瞻性单中心横断面研究纳入20名健康志愿者和10例患者,比较标准分辨率bSSFP电影序列与低分辨率经深度学习超分辨率重建的电影序列,结果显示cineDL短轴全层采集时间较cineNR缩短42%,而容积测量、应变及主观图像质量无显著差异。

要点

  • 低分辨率bSSFP电影图像经深度学习超分辨率重建后,短轴全层采集时间较标准分辨率缩短42%(57.5±8.7 vs 98.7±12.4 s,p<0.0001)。
  • cineDL与cineNR的LVEF、LVEDVi及纵向应变无显著差异,ICC分别为0.95、0.99、0.94。
  • 四腔心cineDL心内膜边缘定义略优于cineNR(中位4.5 vs 4.0,p=0.03),但伪影评分略低(中位4.5 vs 4.0,p=0.01)。

核心结论

  • 低分辨率采集联合深度学习超分辨率重建的电影图像使采集时间缩短42%,且不影响容积测量结果或图像质量。

研究设计与样本

  • 前瞻性采集队列的横断面单中心研究,纳入20名健康志愿者和10例患者,共30名受试者(37±16岁)。
  • 使用3.0-T扫描仪(Philips Ingenia 3.0-T)及16通道体部线圈,采集短轴和四腔心bSSFP电影序列。
  • cineNR平面分辨率1.89×1.96 mm²(重建1.04×1.04 mm²),cineDL采集分辨率2.98×3.00 mm²(重建1.04×1.04 mm²)。
  • cineDL采用压缩感知深度学习去噪及分辨率提升算法重建,参考标准为cineNR。

关键影像表现/征象

  • cineDL短轴全层采集时间57.5±8.7 s,cineNR为98.7±12.4 s,缩短42%(p<0.0001)。
  • cineDL四腔心采集时间5.6±1.1 s,cineNR为8.6±0.5 s,缩短35%(p<0.0001)。
  • 四腔心cineDL心内膜边缘定义中位4.5(IQR 4.0,5.0)优于cineNR中位4.0(IQR 3.9,4.1)(p=0.03)。
  • 四腔心cineNR伪影评分中位4.5(IQR 4.0,5.0)优于cineDL中位4.0(IQR 4.0,4.5)(p=0.01)。
  • cineDL可去除cineNR短轴图像中的水平条带伪影。

诊断标准与关键数值

  • LVEF:cineNR 59±7% vs cineDL 59±7%(ICC 0.95 [95%CI: 0.94,0.99],p=0.17)。
  • LVEDVi:cineNR 85.0±13.5 mL/m² vs cineDL 84.4±13.7 mL/m²(ICC 0.99 [0.98,0.99],p=0.12)。
  • 纵向应变:cineNR -19.5±4.3% vs cineDL -19.8±3.9%(ICC 0.94 [0.88,0.97],p=0.52)。
  • 短轴aSNR:cineNR 81±49 vs cineDL 69±38(p=0.32);aCNR:cineNR 53±31 vs cineDL 45±27(p=0.33)。
  • 主观图像质量5分Likert评分:cineNR中位5.0(IQR 4.9,5.0) vs cineDL中位5.0(IQR 4.7,5.0)(p=0.99)。

临床应用与阅片要点

  • 低分辨率bSSFP电影采集联合深度学习超分辨率重建可缩短屏气时间,适用于屏气能力受限的患者。
  • cineDL与cineNR的容积和应变测量一致性高,但阅片时需注意cineDL可能出现边缘锐度改变和伪影评分略低。
  • cineDL可去除部分条带伪影,但心外膜边缘及血管显示在cineNR中可能更清晰。

局限性

  • 研究队列较小。
  • 尽管评分者对序列设置盲法并随机呈现,但由于重建性质,多数情况下评分者能区分cineNR与cineDL。
  • 深度学习神经网络质量高度依赖训练数据,可能对图像输出质量起核心作用。
  • 当前可用网络需针对每种疾病的特定模式和 anatomical 变异进行训练才能有效。
  • 研究未专门评估数据丢失或模糊,不同于以检测小脑肿瘤等为目标的临床研究。
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:Eur Radiol. 2024 Oct 23;35(5):2877–87. doi: 10.1007/s00330-024-11145-0

引言

心血管磁共振(CMR)用于诊断各种心脏病理,如急性心肌炎、心肌梗死或心肌病。电影CMR尤其是大多数CMR检查的支柱,提供有关心脏解剖和功能的动态信息[1]。遗憾的是,CMR检查的采集时间相对较长,因为需要大量数据才能重建足够的时间和空间分辨率,这导致患者不适并产生负面经济影响[2]。在理想条件下,用于排除心肌炎或心肌梗死的标准CMR检查大约需要45分钟,许多情况下需要屏气进行图像采集。仅短轴电影CMR采集就包括12–15次屏气,每次采集最长需要15秒,每次屏气后还需要额外10秒恢复,每个堆栈总共最长可达5分钟[3–5]。屏气能力受限,例如在合并心力衰竭的多病患者、镇静患者或先天性心脏病患儿中,常常导致检查条件困难且采集易产生伪影[6–9]。心血管影像医师的任务是在缩短屏气以避免呼吸运动的需求与获取足够空间和时间分辨率图像所需时间之间取得平衡。某些技术,如自由呼吸,可实现稳定的图像采集,但往往比常规使用的屏气方法耗时更长[3, 10]。优化已常规使用的CMR序列和开发新型成像技术是解决CMR扫描时间问题的两种途径。成像技术的最新进展,如压缩感知[11, 12]在CMR电影采集中的应用以及深度学习(DL)算法对欠采样、低分辨率采集的重建,已在其他领域如MR前列腺成像中展示出一些潜在临床应用[7, 13, 14]。然而,目前比较现有标准电影采集与DL辅助重建的数据仍然匮乏。

本研究的目的是比较标准平衡稳态自由进动(bSSFP)电影图像与使用DL超分辨率(SR)算法重建的低分辨率bSSFP电影图像。

材料和方法

这项横断面、单中心研究采用前瞻性获取的研究队列,按照《赫尔辛基宣言》和《国际人用药品注册技术协调会良好临床实践》进行。研究设计、信息处理和实施经机构审查委员会批准。所有参与者(健康志愿者和患者)在纳入研究前均签署书面知情同意书。

研究参与者

2022年11月至2023年2月期间,前瞻性随机入组有增强CMR临床指征的患者。此外,前瞻性招募年龄超过18岁、无已知心脏疾病的健康志愿者。纳入标准为:年龄超过18岁,能够签署知情同意书。排除标准为:妊娠、植入心脏起搏器或其他3.0-T MRI扫描仪检查禁忌证。

CMR方案和正常分辨率重建

所有序列均使用3.0-T扫描仪(Philips Ingenia 3.0-T;Philips Healthcare)采集,采用带数字接口的16通道体部线圈。患者接受了常规心脏磁共振(CMR)方案,包括在短轴视图(视野:250 × 250 mm2,重复时间:3.1 ms,回波时间:1.54 ms,翻转角:45°,平面内分辨率:1.89 × 1.96 mm2[重建后:1.04 × 1.04 mm2],层厚:8 mm,时间分辨率:45 ms,压缩敏感编码(Compressed SENSE)因子:2.5)、4腔视图、2腔视图和3腔视图中以正常分辨率采集的心电图触发bSSFP电影成像(cineNR)。此外,患者在静脉注射对比剂(0.2 mmol/kg体重的钆特酸葡胺[Clariscan;GE Healthcare]团注)后接受了标准诊疗方案,包括T2短tau反转恢复序列、T1和T2 mapping,以及使用Look-Locker法[15]进行晚期钆增强(LGE)的分段反转恢复梯度回波序列。为研究目的,健康志愿者和患者(除注射对比剂后的标准诊疗成像外)接受了心电图触发的低分辨率bSSFP电影成像采集(cineDL),在短轴视图(视野:250 × 250 mm2,重复时间:2.9 ms,回波时间:1.34 ms,翻转角:45°,平面内分辨率:2.98 × 3.00 mm2[重建后:1.04 × 1.04 mm2],层厚:8 mm,时间分辨率:45 ms,Compressed SENSE因子:2.5)和4腔视图中采集,这些序列在cineNR序列之后采集,并使用SR DL算法重建。

深度学习图像重建

图像使用供应商提供的原型(Philips NGSA补丁)进行重建。只有非行业人员拥有所有采集研究数据的完全访问权限。一系列卷积神经网络(CNN)被应用于原始低分辨率k空间采集数据,如前所述[14]。Aadaptive-CS-Net促进了基于压缩SENSE的可变密度欠采样模式[16–18]对采集图像进行稀疏约束重建,并应用于线圈组合过程中,去除噪声和欠采样伪影[19]。Adaptive-CS-Net将多尺度稀疏化与基于CNN的稀疏化方法及压缩SENSE的图像重建相结合,确保数据一致性。还融合了图像背景位置和线圈灵敏度分布等领域特定知识,以替代通常的小波变换过程。多层方法输出每个尺度变换,由二维卷积整流层和用于降采样的最大池化层或用于升采样的双线性插值组成,通过直接连接和跳跃连接实现降尺度或升尺度变换。正则化优化通过为每个连接训练阈值水平来执行。Adaptive-CS-Net在约740,000对具有各种对比度和子采样水平的图像上使用监督学习进行了预训练。最终输出是一幅去混叠、去噪的MR图像,保留了幅度和相位。随后,第二个CNN,即Precise Image Net,被应用于去除振铃伪影,并替代传统的零填充策略以增加矩阵大小,从而提高图像锐度[20, 21]。这些CNN的组合构成了SR网络[22, 23]。该网络在超过六百万对带有k空间裁剪以诱导振铃的低分辨率和高分辨率数据上进行了训练。这是通过反复级联一对二维卷积和整流层并以数据一致性检查结束来实现的。进行了监督学习:对于每幅图像,将高分辨率版本降尺度为带有截断伪影的低分辨率图像。实施数据一致性检查以使所得k空间与测量的k空间数据匹配。本研究使用了中等水平的噪声降低。重建在配备Nvidia Quadro RTX5000 GPU的扫描仪硬件上执行。

客观图像分析

客观图像分析由两名委员会认证的心血管放射科医生(J.A.L.,具有12年CMR经验;D.Kr.,具有5年CMR经验)使用专用软件(IntelliSpace Portal,版本12.1.4;Philips Medical Systems)进行。在两组中测量了左心室射血分数(LVEF)、左心室舒张末期容积指数(LVEDVi)和舒张期室间隔厚度(IVSD)。表观信噪比(aSNR)和表观对比噪声比(aCNR)按先前所述计算[14]。心肌整体收缩期纵向、周向和径向应变通过使用自动特征追踪应变分析软件(Medis Suite MR,版本4.0.62.4,Medis Medical Imaging Systems)计算,必要时进行手动校正。由于cineDL仅应用于四腔心和短轴视图,cineNR和cineDL的整体纵向应变均从四腔心视图计算。

主观图像分析

主观图像质量分析由两名获得委员会认证的心血管放射科医师(D.Kr.,具备5年CMR经验;A.I.,具备6年CMR经验)完成。主观图像质量针对cineNR和cineDL短轴及四腔心视图,按照先前描述的方法[3, 24],就三项图像标准采用5点Likert量表进行评分:血池与心肌对比度、心内膜边缘清晰度及伪影。评分者设盲,序列以随机顺序呈现。总评分由三项标准的等权重平均值确定:1. 非诊断性:血池与心肌之间对比度差,心内膜边缘界定不清,伪影使图像无法用于诊断。

2. 差:血池与心肌几乎无法区分,心内膜边缘模糊,小梁模糊及大量伪影。

3. 合格:血池可与心肌区分,但在整个心动周期中存在大量明显变化,心内膜边缘清晰度勉强可辨,并存在一些伪影。

4. 良好:血池大部分较亮且可与心肌区分,乳头肌和心内膜小梁可辨别,但在心动周期的部分图像中模糊,存在少量伪影但不妨碍图像质量。

5. 优秀:血池呈高信号,在所有图像中均可与心肌清晰区分,乳头肌和心内膜小梁清晰可见、无模糊,且几乎无伪影。

统计分析

统计分析使用Prism(版本10.1.0;GraphPad Software)和SPSS(版本29;IBM)进行。定量测量的连续变量以均值±标准差(SD)报告,名义数据以百分比及绝对频数报告。使用Shapiro–Wilk检验检查正态性。使用Pearson相关分析比较cineNR与cineDL容量测定结果、aSNR和aCNR之间的相关性。对于非参数数据或无法假定正态性时,提供中位数和四分位距(IQR)。容量测定结果和采集时间使用配对Student t检验进行比较。名义数据比较使用卡方检验。主观图像评分使用Wilcoxon配对符号秩检验进行比较。主观图像质量、aSNR、aCNR、应变和容量测定的评分者间一致性使用双向混合效应组内相关系数(ICC)模型(绝对一致性)进行比较。ICC评级为差(小于0.5)、中等(0.5–0.75)、良好(0.75–0.9)和优秀(大于0.90)[25]。统计显著性水平设定为p < 0.05。

结果

参与者特征

总体而言,最终分析纳入20名健康志愿者和10名患者。共有三名参与者必须被排除(见研究流程图Fig. 1)。参与者特征总结于Table 1。患者组进行CMR的指征为:疑似急性心肌炎(n = 1,10%)、主动脉瓣及锁骨下动脉狭窄(n = 1,10%)、原因不明的心力衰竭(n = 1,10%)、Becker型肌营养不良症(n = 2,20%)、肥厚型心肌病(n = 2,20%)、扩张型心肌病(n = 1,10%)及缺血性心肌病(n = 2,20%)。

cineDL 四腔心视图的采集时间显著缩短了35%(5.6 ± 1.1 s 对 8.6 ± 0.5 s;p < 0.0001),短轴视图缩短了42%(全层堆叠 57.5 ± 8.7 s 对 98.7 ± 12.4 s;p < 0.0001)。图2展示了cineNR与cineDL四腔心和短轴图像及其采集时间的直接比较。图3直观呈现了cineNR与cineDL序列采集时间之间的统计学差异。

图1 描述本研究参与者招募流程的流程图 查看原图 ↗
表1 参与者的临床特征 查看原表 ↗
图2 一名31岁健康男性志愿者的四腔心和短轴视图。正常分辨率(cineNR)四腔心视图(a)以及短轴cineNR(d)的采集时间较长,而低分辨率对应图像(b、e)采集时间较短。基于低分辨率采集的深度学习重建(cineDL,c、f)所得图像质量与cineNR图像相当。与cineNR图像相比,低分辨率采集图像明显更模糊。注意从cineNR到低分辨率及cineDL图像,四腔心视图上搏动伪影的减少(箭头) 查看原图 ↗
图3 散点图(含均值和标准差),展示短轴(a)和四腔心视图(b)正常分辨率(cineNR)与低分辨率深度学习重建(cineDL)的采集时间 查看原图 ↗

客观图像分析结果

容量分析显示cineNR与cineDL重建之间无统计学显著差异(例如LVEF(59 ± 7 对 59 ± 7%;p = 0.17))。此外,所有参数均呈现高度相关性和极佳的一致性(例如LVEF:r:0.96;平均偏差:−0.5;一致性界限:−4.6,3.5;ICC:0.98 [95%置信区间(CI):0.94,0.99])。容量测定和应变结果总结于图4和表2。

图4 比较LVEF(a、b)、左心室LVEDVi(c、d)和IVSD(e、f)的Pearson相关分析(a、c、e)和Bland–Altman图(b、d、f)。正常分辨率(cineNR)与深度学习上采样(cineDL)重建之间具有强相关性和一致性 查看原图 ↗
表2 心脏容量测定和应变CMR电影正常分辨率与深度学习超分辨率重建的比较 查看原表 ↗

主观图像分析结果

观察到四腔心cineDL视图的边缘清晰度略优于cineNR(中位数4.5 [4.0, 5.0] 对 4.0 [3.9, 4.1];p = 0.03),且cineNR四腔心视图的伪影少于cineDL(中位数4.5 [4.0, 5.0] 对 4.0 [4.0, 4.5];p = 0.01)。除此之外,各序列之间在主观图像质量方面未观察到显著差异。结果总结于表3。图5展示了cineNR和cineDL重建在短轴视图中的差异,如过度平滑/模糊和伪影减少。图6显示了主观图像评分。

表3 客观和主观图像质量结果 查看原表 ↗
图5 一名疑似心肌炎的19岁男性的短轴视图,采用标准bSSFP正常分辨率(cineNR)采集(a)、低分辨率采集(b)和深度学习超分辨率重建(cineDL)(c)获取。CineDL成功去除了cineNR采集中的水平条带伪影(星号)。与低分辨率采集相比,cineNR采集中的左心室中段前/下侧壁心外膜边缘(箭头)更为清晰,血管可辨认,这可能归因于重建算法,或者也可能是由于cineNR与低分辨率采集之间层面位置的微小变化。此外,请注意cineDL重建中右心室侧壁(箭头标记)的锐化更为清晰。 查看原图 ↗
图6 堆叠条形图显示四腔心和短轴正常分辨率(cineNR)与深度学习超分辨率(cineDL)重建的主观图像质量Likert量表评分分布 查看原图 ↗

评估者间一致性

四腔心cineNR(ICC:0.94 [95% CI:0.85, 0.97])、四腔心cineDL(ICC:0.90 [95% CI:0.77, 0.95])和短轴cineNR视图(ICC:0.98 [95% CI:0.96, 0.99])的主观图像质量评估者间一致性为优。短轴cineDL视图观察到良好的一致性(ICC:0.87 [95% CI:0.74, 0.94])。

亚组分析

通过将研究人群分为志愿者组(n = 20)和患者组(n = 10)进行亚组分析。除患者组的IVSD外(cineNR:10.9 ± 4.2 mm,cineDL:11.1 ± 4.2 mm,p = 0.04),cineNR与cineDL之间在所有容积和应变数据方面均未观察到差异。所有其他参数(LVEF、LVEDVi、整体纵向应变、整体周向应变和整体径向应变)的p值均高于0.05,志愿者组和患者组的ICC分别为0.81至0.99和0.91至0.99。这些结果的汇总可见补充表S1。主观图像质量的比较见补充表S2。亚组分析在主观图像质量方面呈现出与整体比较相似的趋势,仅在患者组四腔心视图的边缘清晰度(cineNR:4.0 [3.4, 4.3];cineDL:4.8 [4.0, 5.0];p = 0.047)和志愿者组短轴视图的伪影方面(cineNR:4.5 [4.0, 5.0];cineDL:4.0 [4.0, 4.0];p = 0.02)观察到显著差异。

讨论

这项前瞻性心脏磁共振(CMR)研究评估了深度学习超分辨率(DL SR)算法用于重建低分辨率bSSFP电影采集的实用性,并将其与cineNR采集进行了比较。CineDL图像采集速度更快,从而缩短了屏气时间,且在图像质量、容积测量或心肌应变方面与cineNR相比未显示出差异。

心血管磁共振(CMR)结合了CT更高的客观性和可重复性以及超声心动图的非电离特性,但受限于高成本和长检查时间,导致患者等待时间较长。深度学习(DL)技术的进步有可能通过缩短采集和重建时间来加速CMR检查,从而缩短患者等待时间,并允许每台机器处理更多患者。CMR成像工作流程包括两个过程:规划和采集。这两个过程都需要时间,是缩短扫描时间的潜在目标。此前的出版物探索了人工智能辅助规划和匀场的可能性,使扫描时间总体缩短约5–13% [26, 27]。然而,大部分检查时间由图像采集和重建组成。传统上,数学方程被应用于MR图像重建,采用的技术包括SENSE(SENSitivity Encoding,一种厂商特定的并行成像技术),以及较新的Compressed SENSE,通过测量更少的傅里叶系数来进一步加速这一过程。最近,卷积神经网络(CNN)被开发用于进一步加速MRI重建 [18]。采集低分辨率图像并使用DL超分辨率(SR)算法对其进行放大,使总体扫描时间平均缩短42%,从而缩短了屏气时间(用于短轴视图),这与使用机器学习加速图像采集的其他研究一致,后者在脑成像中实现了45%的扫描时间缩短 [28]。更短的扫描时间可以对患者产生积极的心理影响,提高依从性和接受随访检查的可能性。此外,缩短电影采集所需的屏气持续时间可以对图像质量产生有益影响,特别是在难以进行较长屏气的患者中 [3]。最后,采集时间的缩短导致患者吞吐量增加,使更多患者能够接受重要的MRI扫描,而这在扫描仪数量有限的情况下 otherwise 是不可能的 [29]。验证前瞻性采集的DL重建并将其与传统重建方法进行比较的数据很少,最近的一项荟萃分析呼吁对主观图像质量和临床指标测量进行临床评估 [30]。本研究表明,在复杂电影CMR成像中,图像质量和容积数据由DL SR重建稳健处理。我们使用DL CNN导致了相当的主观图像质量、aSNR和aCNR,cineNR和cineDL之间无显著差异,与当前其他出版物一致 [31, 32]。Bischoff等人 [14] 甚至能够证明与传统重建方法相比更好的图像质量。手动得出的心脏功能参数如LVEF或IVSD测量在cineDL上显示比cineNR采集略大的值,但不显著且完全在各自的标准差范围内。同样,用于心肌应变的自动特征追踪软件——心脏功能障碍的敏感参数——在亚组分析中未测量到志愿者组和患者组之间的任何显著差异。整体圆周和径向应变显示出比纵向应变更宽的ICC 95%置信区间,这是一个预期发现,因为纵向应变已被记录为最可重复和稳健的应变指标。更有趣的是,整体圆周和径向应变的95%置信范围在志愿者组中比在患者组中更宽。DL SR能够在志愿者甚至心血管疾病患者中持续产生与参考标准一致的结果,突出了该技术的普遍适用性,尽管需要更大规模的研究来确认患者队列中的一致性。在评估中未注意到信息丢失或虚构的实例,尽管这不是本研究的主要目的。过去,单次激发CMR采集已被用于减少运动伪影,但受限于其空间和时间分辨率。DL算法,如本文所采用的算法,提供了一种完全回顾性门控的替代方案,具有高空间和时间分辨率,能够缩短采集时间以消除屏气能力降低患者的运动伪影。Kim等人证明,使用神经网络可以从bSSFP序列中去除带状伪影,在动物模型中可行 [33],而其他DL算法成功去除了条纹伪影 [34]。人工智能的未来应用甚至可能提供回顾性运动校正,如Kuestner等人展示的生成对抗网络 [35]。

我们的研究受限于较小的研究队列。对于主观图像质量分析,评估者对序列设盲,且序列以随机顺序呈现,但由于重建的性质,读者在大多数情况下能够区分cineNR与cineDL重建。深度学习神经网络的质量高度依赖于其所接受的训练数据,并可能在图像输出质量中发挥核心作用[36]。目前,可用的网络必须针对每种疾病的特定模式和解剖变异进行训练才能有效。虽然我们在研究中未观察到任何数据丢失或模糊,但我们也没有像临床研究那样专门对此进行考察,例如着眼于检测小型脑肿瘤。此外,用于深度学习重建的低分辨率采集是在cineNR采集之后进行的,后者包括多达14次屏气,导致低分辨率采集与cineNR采集相比起始条件不等。

总之,对以较低空间分辨率采集的心脏磁共振(CMR) cine序列进行超分辨率深度学习重建,使采集时间平均显著缩短35–42%,屏气持续时间更短,而在健康志愿者以及患者中,容积结果或主观图像质量无显著差异。

补充信息

电子补充材料

引用

  1. Kravchenko D, Isaak A, Mesropyan N, et al. Deep learning super-resolution reconstruction for fast and high-quality cine cardiovascular magnetic resonance. Eur Radiol. 2024. PMID: 39441391. doi:10.1007/s00330-024-11145-0
  2. 全文:PMC12021735(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12021735/

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。