[论文解读] Real-time Cardiovascular MR with Spatio-temporal De-aliasing using Deep Learning - Proof of Concept in Congenital Heart Disease

Andreas Hauptmann, Simon Arridge+3 more|arXiv (Cornell University)|Mar 14, 2018

Advanced MRI Techniques and Applications参考文献 22被引用 3

一句话总结

本研究提出一种用于先天性心脏病患者实时时空去混叠的3D残差卷积神经网络（CNN），以解决径向欠采样心脏MRI数据的问题。结合径向采样模式与深度学习，该CNN在图像质量与双心室容积准确性方面优于压缩感知（GRASP），重建速度提升5倍以上，且与金标准屏气扫描无显著差异。

ABSTRACT

PURPOSE: Real-time assessment of ventricular volumes requires high acceleration factors. Residual convolutional neural networks (CNN) have shown potential for removing artifacts caused by data undersampling. In this study we investigated the effect of different radial sampling patterns on the accuracy of a CNN. We also acquired actual real-time undersampled radial data in patients with congenital heart disease (CHD), and compare CNN reconstruction to Compressed Sensing (CS). 
 METHODS: A 3D (2D plus time) CNN architecture was developed, and trained using 2276 gold-standard paired 3D data sets, with 14x radial undersampling. Four sampling schemes were tested, using 169 previously unseen 3D 'synthetic' test data sets. Actual real-time tiny Golden Angle (tGA) radial SSFP data was acquired in 10 new patients (122 3D data sets), and reconstructed using the 3D CNN as well as a CS algorithm; GRASP. 
 RESULTS: Sampling pattern was shown to be important for image quality, and accurate visualisation of cardiac structures. For actual real-time data, overall reconstruction time with CNN (including creation of aliased images) was shown to be more than 5x faster than GRASP. Additionally, CNN image quality and accuracy of biventricular volumes was observed to be superior to GRASP for the same raw data. 
 CONCLUSION: This paper has demonstrated the potential for the use of a 3D CNN for deep de-aliasing of real-time radial data, within the clinical setting. Clinical measures of ventricular volumes using real-time data with CNN reconstruction are not statistically significantly different from the gold-standard, cardiac gated, BH techniques.

研究动机与目标

• 评估不同径向采样模式对基于深度学习的实时心脏MRI去混叠性能的影响。
• 开发并验证一种用于高度欠采样径向MRI数据时空去混叠的3D残差CNN。
• 基于先天性心脏病患者的实际实时数据，将所提出的3D CNN与压缩感知（GRASP）进行性能对比。
• 评估CNN重建的实时MRI是否能实现与金标准屏气扫描相当的临床准确双心室容积测量。

提出的方法

• 在2,276对3D心脏MRI数据集上训练了一个3D（2D空间+时间）残差卷积神经网络（CNN），采样率为14倍径向欠采样。
• 在训练和测试中评估了四种不同的径向采样模式，使用169个未见的合成3D数据集评估模式敏感性。
• 从10名先天性心脏病患者中获取了122个3D实时微小黄金角（tGA）径向稳态自由进动（SSFP）数据。
• 使用训练好的3D CNN对实时欠采样数据进行重建，并与GRASP压缩感知算法的结果进行对比。
• 通过定性评估图像质量，并将心室容积与金标准屏气、心电图门控扫描进行定量比较。
• 测量并比较了CNN与GRASP方法的重建速度。

实验结果

研究问题

• RQ1 不同径向采样模式如何影响3D CNN在实时心脏MRI去混叠中的性能？
• RQ2 3D残差CNN能否从实时、高度欠采样的径向MRI数据中实现临床准确的双心室容积测量？
• RQ3 在使用相同实时数据的情况下，所提出的CNN的图像质量与重建速度如何与压缩感知（GRASP）相比？
• RQ4 CNN重建的实时MRI与金标准屏气、心电图门控扫描之间的心室容积测量是否存在统计学显著差异？

主要发现

• 径向采样模式的选择显著影响CNN重建图像的图像质量及心脏结构的准确可视化。
• 对于相同实时数据，3D CNN的重建过程比GRASP压缩感知算法快逾5倍。
• 在使用相同原始欠采样数据的情况下，CNN重建图像的图像质量优于GRASP。
• CNN重建的实时MRI所测得的双心室容积与金标准屏气、心电图门控扫描无统计学显著差异。
• CNN有效减少了高度加速径向心脏MRI中的混叠伪影，实现了诊断级的实时成像。
• 本研究证实了深度学习在先天性心脏病患者中实现实时、高精度心脏功能评估的临床可行性。