分享:
分享到微信朋友圈
X
技术研究
基于人工智能辅助压缩感知技术的高分辨率T2加权黑血序列在心肌水肿中的临床应用研究
严祥虎 罗毅 冉玲平 张诗雨 夏黎明 黄璐

Cite this article as: Yan XH, Luo Y, Ran LP, et al. Clinical application of high resolution myocardial T2-weighted dark blood sequence based on artificial intelligence assisted compressed sensing technique in myocardial edema[J]. Chin J Magn Reson Imaging, 2022, 13(6): 76-80, 97.本文引用格式:严祥虎, 罗毅, 冉玲平, 等. 基于人工智能辅助压缩感知技术的高分辨率T2加权黑血序列在心肌水肿中的临床应用研究[J]. 磁共振成像, 2022, 13(6): 76-80, 97. DOI:10.12015/issn.1674-8034.2022.06.015.


[摘要] 目的 通过与常规T2加权黑血(T2-weighted dark blood,T2W-DB)序列比较,探讨应用人工智能辅助压缩感知技术的高空间分辨率T2加权黑血成像(high resolution T2 weighted dark blood based artificial intelligence assisted compressed sensing,ACS HR-T2W-DB)序列在心血管磁共振成像中评价心肌水肿的可行性。材料与方法 前瞻性纳入2021年8月至12月来我院行心脏磁共振检查的患者38例。所有患者均行常规T2W-DB和ACS HR-T2W-DB心脏短轴面扫描。应用图像质量主观评分和客观定量指标分别评价常规T2W-DB和ACS HR-T2W-DB序列的图像质量。主观评分采用Likert评分量表评估总体图像质量、血池抑制效果、右心室游离壁、左心室游离壁和室间隔可视性。客观定量指标包括峰值信噪比(peak signal-to-noise ratio,pSNR)和心肌血池对比噪声比(心肌contrast-noise ratio,心肌-CNR),并对14例检出有局部心肌水肿的患者进行了心肌水肿区CNR (水肿-CNR)的评价。结果 与常规T2W-DB序列相比,ACS HR-T2W-DB序列的空间分辨率提高了一倍(常规256×163 vs. ACS 336×269)。常规T2W-DB和ACS HR-T2W-DB序列图像质量主观评分中,ACS HR-T2W-DB序列右心室壁和左心室游离壁可视性的图像质量得分明显高于常规T2W-DB序列,差异有统计学意义(P均<0.05),总体图像质量、血池抑制效果和室间隔可视性在两个序列之间差异无统计学意义(P均>0.05)。图像质量客观定量评估中,基于ACS HR-T2W-DB序列pSNR和水肿-CNR均明显高于常规T2W-DB序列,差异有统计学意义(P均<0.05),心肌-CNR差异无统计学意义(P>0.05)。结论 相较于常规T2W-DB序列,ACS HR-T2W-DB序列既不明显增加扫描时间,又提供了更高的空间分辨率、图像质量、水肿-CNR以及更佳的左室游离壁可视性,有望成为可疑心肌水肿患者的必备序列。
[Abstract] Objective To explore the feasibility of high spatial resolution T2-weighted dark blood imaging sequence using artificial intelligence assisted compressed sensing (ACS HR-T2W-DB) technique in evaluating myocardial edema in cardiovascular magnetic resonance (CMR) imaging, compared with conventional T2W-DB sequence.Materials and Methods A total of 38 patients who underwent cardiac magnetic resonance examination in our hospital from August to December 2021 were prospectively enrolled. All patients underwent short axial conventional T2W-DB and ACS HR-T2W-DB sequences. Subjective score and objective quantitative parameters were used to evaluate the image quality of conventional T2W-DB and ACS HR-T2W-DB sequences, respectively. Likert score scale was used to evaluate the overall image quality, blood pool inhibition effect, right ventricular free wall, left ventricular free wall and interventricular septum visibility. Objective quantitative parameters included peak signal-to-noise ratio (pSNR) and myocardial blood pool contrast-noise ratio (myocardial-CNR), and 14 patients with regional myocardial edema were evaluated by CNR (edema-CNR).Results Compared with conventional T2W-DB sequence, the spatial resolution of ACS HR-T2W-DB sequence was doubled (conventional 256×163 vs. ACS 336×269). Compared to ACS HR-T2W-DB sequences, the image quality scores of right ventricular wall and left ventricular free wall in ACS HR-T2W-DB sequence were significantly higher than those in conventional T2W-DB sequence, and the difference was statistically significant (P<0.05), but there was no significant difference in overall image quality, blood pool suppression effect and interventricular septum visibility (P>0.05). In the objective quantitative parameters of image quality, pSNR and edema-CNR based on ACS HR-T2W-DB sequence were significantly higher than those of conventional T2W-DB sequence, and the difference was statistically significant (P<0.05), but there was no significant difference in myocardial-CNR (P>0.05).Conclusions Compared with conventional T2W-DB sequence, ACS HR-T2W-DB sequence provides higher spatial resolution, higher image quality, edema-CNR and better left ventricular free wall visibility without longer scanning time, which is promising to become a routine sequence for patients with suspected myocardial edema.
[关键词] 心脏磁共振;人工智能;压缩感知;T2加权黑血;空间分辨率;水肿
[Keywords] cardiac magnetic resonance;artificial intelligence;compressed sensing;T2-weighted dark blood;spatial resolution;edema

严祥虎 1   罗毅 1   冉玲平 1   张诗雨 2   夏黎明 1   黄璐 1*  

1 华中科技大学同济医学院附属同济医院放射科,武汉 430030

2 上海联影医疗科技股份有限公司,上海 201800

黄璐,E-mail:tj_lhuang@hust.edu.cn

作者利益冲突声明:全部作者均声明无利益冲突。


基金项目: 国家自然科学基金面上项目 81873889 湖北省科技计划青年基金 2021CFB060
收稿日期:2022-01-20
接受日期:2022-05-18
中图分类号:R445.2  R542.2 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.06.015
本文引用格式:严祥虎, 罗毅, 冉玲平, 等. 基于人工智能辅助压缩感知技术的高分辨率T2加权黑血序列在心肌水肿中的临床应用研究[J]. 磁共振成像, 2022, 13(6): 76-80, 97. DOI:10.12015/issn.1674-8034.2022.06.015

       心脏磁共振(cardiac magnetic resonance,CMR)是目前评估急性心肌梗死、心肌炎、心肌肥厚等多种心脏疾病的重要诊断方法[1, 2, 3],还是无创性评估心功能和组织特征的金标准[4]。CMR可以通过T2加权黑血成像(T2-weighted dark blood,T2W-DB)来识别心肌水肿[1],检测心肌水肿在急性心肌梗死的情况下很重要,由于急性心肌梗死会引起T2值的升高,因此T2W-DB可以区分急性和慢性心肌梗死[5],而且还可以确定心肌梗死的危险区域及范围[6]

       常规心脏T2W-DB序列需要较长的单次屏气时间,在不明显延长屏气时间的前提下,需要提高加速因子才能获得高空间分辨率图像,但是较高的加速因子通常会导致信噪比(signal-to-noise ratio,SNR)的明显下降,而延长屏气时间又会加重患者的屏气负担,屏气质量不佳同样会影响成像质量[7]

       近年来,T2 mapping越来越多地被使用在CMR中用以检测心肌水肿,因为它提供了稳定而良好的图像质量,且对于心肌水肿的显示具有良好的效果[8]。但是,由于T2 mapping使用单次激发成像,其空间分辨率通常是有限的,在这项技术中,由于部分容积效应,薄壁腔体(如右心室)的显示质量受到严重影响,并且会由于表观T2值的升高导致假阳性的出现[9],因此本研究仍然使用具有高空间分辨率的T2W-DB序列以识别心肌水肿和显示心脏解剖结构。

       深度学习已经被广泛应用在磁共振成像的图像重建中[10, 11, 12, 13],人工智能辅助压缩感知的加速(artificial intelligence assisted compressed sensing,ACS)方法已经被证明具有缩短MR扫描时间或提高图像质量的潜力[14, 15, 16],尤其是在图像的去噪、对高欠采样K空间信息的恢复[17]等方面。本研究采用了ACS技术加速方法获取高分辨率(high resolution,HR) T2W-DB图像,并在与常规T2W-DB序列保持同样的理论采集时间前提下,与常规并行采集(parallel imaging,PI)技术加速采集的T2W-DB图像进行比较,探讨ACS HR-T2W-DB成像技术在心肌水肿患者临床应用的可行性。

1 资料与方法

1.1 研究对象

       本研究经华中科技大学同济医学院附属同济医院伦理委员会批准(批准文号:2020伦审字S155号),所有患者检查前签署知情同意书。前瞻性纳入2021年8月至12月来我院进行CMR检查的患者。入组标准:(1)成功完成CMR检查;(2)均完成常规T2W-DB序列和ACS HR-T2W-DB序列。排除标准:常规T2W-DB图像不能用于临床的诊断和主观客观数据的评估。最后入组38例患者,男29例(76%),年龄18~65 (40±14)岁。入组患者临床诊断包括3例缺血性心肌病、25例非缺血性心肌病、2例心脏瓣膜病、3例心肌炎和5例其他未分类心脏疾病。

1.2 检查方法

       CMR采用3.0 Tesla扫描仪(uMR790,上海联影医疗科技股份有限公司),配备12×2通道心脏线圈。扫描前均对受试者进行了充分的呼吸训练以避免呼吸运动伪影,常规T2W-DB序列和ACS HR-T2W-DB序列扫描范围均覆盖左心室心尖至心底的连续9层心脏短轴面。成像参数的详细信息如表1所示。记录两序列的实际采集时间。

表1  常规T2W-DB序列和ACS HR-T2W-DB序列参数
Tab. 1  Parameters of the conventional T2W-DB sequence and ACS HR-T2W-DB sequence

1.3 影像分析

       由两位5年以上心脏磁共振经验的放射科医生使用Likert评分量表独立对常规T2W-DB序列和ACS HR-T2W-DB序列的图像质量进行评分[18]:1=图像伪影范围大和/或大于50%心肌信号丢失,图像无法诊断;2=图像伪影范围较大和/或25%~50%心肌信号丢失,图像质量差;3=图像伪影较少和/或小于25%心肌信号丢失,图像质量一般;4=图像无伪影、心肌无信号丢失和信号均匀性可,图像质量好;5=图像无伪影、心肌无信号丢失和信号均匀性好,图像质量优。评分内容包括总体图像质量、血池抑血效果、右心室游离壁、左心室游离壁和室间隔可视性。其中一位放射科医生在1个月后再次对常规T2W-DB序列和ACS HR-T2W-DB序列的图像质量进行评分。

       客观定量指标评估包括所有的受试者两组序列图的峰值信噪比(peak SNR,pSNR)和对比噪声比(contrast noise ratio,CNR)。pSNR应用专业图像分析软件自动分析得到。CNR则由两名有3年以上心血管磁共振扫描经验的放射科技师进行勾画测量。选择左心室中间段层面上手动绘制室间隔感兴趣区(region of interest,ROI)和血池ROI并计算获得血池ROI内的背景噪声标准差(standard deviation,SD),即SD血池,进一步计算得到心肌血池CNR (心肌-CNR)。室间隔的勾画尽量避开心内膜和心外膜以得到心肌的平均值和SD,血池的勾画尽量选择血池中间避开乳头肌以得到血池平均值和SD,其中一名技师在间隔1个月后再次对常规T2W-DB序列和ACS HR-T2W-DB序列的图像质量进行勾画。勾画示意图见图1A。心肌水肿定义为水肿区域的T2W信号强度(signal integrity,SI)高于远端正常心肌平均值2个SD[19]。有心肌水肿的患者,额外勾画了心肌水肿区域和远端正常心肌以及血池的ROI,勾画示意图见图1B。心肌-CNR和心肌水肿区CNR (水肿-CNR)的计算公式如下:

图1  感兴趣区勾画示意图。图1A白线显示的是正常心肌ROI的勾画区域,黄线显示的是血池的勾画区域。图1B白线显示的是正常心肌ROI的勾画区域,红线显示的是水肿心肌的勾画区域。
Fig. 1  Schematic diagram of the region of interest. The white line on Fig. 1A shows the outlined area of normal myocardial ROI, and the yellow cycle shows the outlined area of the blood pool. The white line on Fig. 1B shows the outlined area of normal myocardial ROI, and the red one shows the outlined area of the edema.

1.4 统计学分析

       所有数据均使用SPSS (version 25.0, Chicago, IL)软件进行统计分析。定量数据应用(x¯±s)表示,分类数据应用中位数(四分位数间距)表示。所有定量数据均进行正态分布和方差齐性分析,符合正态分布和方差齐性的使用配对t检验,不符合则使用配对Wilcoxon检验。主观评分的各项指标采用两位放射科医生评分的均值进行比较。主观评分的观察者内和观察者间一致性应用加权Kappa分析。客观定量指标心肌-CNR使用组内相关系数(intraclass correlation coefficient,ICC)评估两观察者内和观察者间的一致性。加权Kappa和ICC一致性评价标准:小于0.20认为一致性较差;0.21~0.40认为一致性一般;0.41~0.60认为一致性中等;0.61~0.80认为一致性较好;0.81~1.00认为一致性好。P<0.05认为差异具有统计学意义。

2 结果

       与常规T2W-DB序列相比,ACS HR-T2W-DB序列的空间分辨率提高了一倍(常规256×163 vs.ACS 336×269),两序列对比图像见图23。常规T2W-DB序列和ACS HR-T2W-DB序列图像质量的评估结果见表2。在图像质量主观评分中,ACS HR-T2W-DB序列右心室壁和左心室游离壁可视性的图像质量得分明显高于常规T2W-DB序列,差异有统计学意义(P均<0.05),总体图像质量、血池抑血效果和室间隔可视性在两个序列之间差异无统计学意义(P均>0.05)。在客观定量评价指标中,基于ACS的HR-T2W-DB序列在pSNR和水肿-CNR中均明显高于常规T2W-DB序列,差异有统计学意义(P均<0.05),心肌-CNR差异无统计学意义。常规T2W-DB序列和ACS HR-T2W-DB序列图像质量评估观察者内和观察者间的一致性分析见表3,ACS HR-T2W-DB和常规T2W-DB中测量的心肌-CNR值有较好的一致性(ICC均>0.600,P均<0.001),主观评分数据也有较好的一致性(加权Kappa均>0.600,P均<0.001)。单次屏气扫描时间为常规T2W-DB (9.6±1.6) s vs. ACS HR-T2W-DB (9.9±1.8) s,总屏气时间为常规T2W-DB (86.4±14.6) s vs. ACS HR-T2W-DB (88.8±16.0) s。

图2  男,32岁,心脏磁共振常规T2W-DB序列和ACS HR-T2W-DB序列对比图。第一行为常规T2W-DB全心短轴图像,第二行为与之对应的ACS HR-T2W-DB全心短轴图像。第一行与第二行均对心肌血池等显示良好,且第二行具有更高的空间分辨率。注:T2W-DB:T2 黑血加权;ACS:人工智能辅助压缩感知;HR:高分辨率。
Fig. 2  Male, 32 years old, the contrast images of the conventional MRI T2-weighted dark blood (T2W-DB) sequence and high resolution T2W-DB based artificial intelligence assisted compressed sensing (ACS HR-T2W-DB) sequence. The first row shows whole heart short-axis images of the conventional T2W-DB, the second row displays the same whole heart short-axis images corresponding to the conventional T2W-DB. The of the ACS HR-T2W-DB. All images show the myocardial blood pools, etc. well, while the ACS HR-T2W-DB has a higher spatial resolution.
图3  女,49岁,前间壁心肌水肿。常规T2W-DB序列和ACS HR-T2W-DB序列对于心肌水肿显示图像对比。3A:常规T2W-DB序列图像,3B:ACS HR-T2W-DB序列图像。黄箭为心肌水肿区域,可以看到图3B对于心肌水肿范围相较于图3A更加清晰,对于乳头肌以及血池的抑制显示效果也更好。注:T2W-DB:T2 黑血加权;ACS:人工智能辅助压缩感知;HR:高分辨率。
Fig. 3  Female, 49 years old, anterior interval wall myocardial edema. Comparison of the conventional T2-weighted dark blood (T2W-DB) sequence and high resolution T2W-DB based artificial intelligence assisted compressed sensing (ACS HR-T2W-DB) sequence in showing myocardial edema. 3A is the image of the conventional T2W-DB sequence, 3B is the image of the ACS HR-T2W-DB sequence. The yellow arrow shows the edema region. It can be clearly seen that 3B is clearer for the region of myocardial edema than 3A with a better suppression of the papillary muscle and blood pool.
表2  常规T2W-DB和ACS HR-T2W-DB序列主观评分和客观测量(x¯±s)
Tab. 2  Subjective scores and objective quantitative of the conventional T2W-DB and ACS HR-T2W-DB sequence (x¯±s)
表3  常规T2W-DB和ACS HR-T2W-DB序列图像质量评估的观察者内和观察者间的一致性分析
Tab. 3  Intra- and inter-observer consistency analysis of image quality assessment for the conventional T2W-DB and ACS HR-T2W-DB sequence

3 讨论

       本研究在心脏T2W-DB序列上应用了ACS的加速框架,与传统的PI加速的T2W-DB相比,将空间分辨率提高了一倍,且在水肿心肌上具有更高的CNR,这在临床诊断对心肌水肿的检出十分有利。

3.1 实现高空间分辨率的方法与局限

       目前在保证图像SNR的前提下实现高空间分辨率MRI有以下两种方法:第一,增加激励次数。临床扫描中单纯的通过增大矩阵来提高空间分辨率会导致SNR的下降,可以通过增加激励次数来实现高空间分辨率,但是这会延长扫描时间。心脏T2W-DB成像中最常见的伪影是呼吸导致的运动伪影以及心率不规律导致的信号丢失[20, 21],常规T2W-DB序列采集图像是在屏气下进行,单次屏气时间较长会导致患者屏气质量不佳,因而易产生呼吸运动伪影,因此,单纯的增加激励次数以实现高空间分辨率的方法并不可靠。第二,使用新的加速方法。MRI已经将一些加速方法如PI和CS应用在临床[22],目前常规使用的是PI,在保证SNR的前提下又不延长单次屏气时间,不可能实现高的空间分辨率。而在不明显增加扫描时间的前提下,使用高加速因子可以得到高空间分辨率的图像,图像质量又可能会因噪声的放大和欠采样伪影而降低[23]。CS提供了一种从欠采样的K空间恢复图像信息的新方法[24],可能实现在不增加扫描时间和保证图像质量的前提下实现高空间分辨率,但在寻找适合的稀疏变换方法和手动调整超参数方面具有挑战性。

3.2 AI在MRI中的进展以及与CS技术的结合

       AI表现出了对图像去噪、数据恢复等方面的极大潜力。在最新的研究进展中,基于卷积的神经网络(convolutional neural networks,CNN)的深度学习技术为MR图像重建时的信息恢复问题上提供了新的解决方法,即通过训练过程最小化特定的损失函数来学习输入(即零填充的欠采样K空间)和目标(即全采样K空间)之间的适当变换。Chen等[26]的研究发现基于CNN的重建方法在噪声抑制、结构保留和病变检测等方面具有良好的效果[25]。之前的研究利用基于CNN的技术加速2D心脏MRI,获得了更小的重建误差和更快的重建速度。因此,使用深度学习重建的方法辅助压缩感知可以实现在保证图像质量的前提下使用更高的加速因子。本研究将ACS的加速框架应用在T2W-DB序列中,可以保证在相同的理论采集时间下获得优于常规T2W-DB图像质量的高空间分辨率图像。除此之外,由于ACS作为新的加速技术直接与T2W-DB序列整合,获得K空间数据后扫描仪可以自动重建出高分辨率的图像,通常扫描一层图像仅仅需要几秒钟即可出图,与常规PI加速序列相比,对扫描工作时间及流程没有任何影响。

       在常规T2W-DB的快速自旋回波序列中,主要通过T2信号值的增高来识别水肿[27]。虽然血液以及脂肪在T2图像上也显示为高信号,但是使用180°双反转恢复脉冲可以对血池进行非常好的抑制[28],同时化学位移选择性脂肪抑制减弱了明亮的脂肪信号,使检测T2信号增高的心肌区域更容易与水肿相关[1, 29]。本研究已经证实,ACS HR-T2W-DB序列对水肿区域的CNR具有明显的提升作用,这可能对提高水肿区域的显示效果以及确定水肿区域的面积十分有利。除此以外,通过对比常规T2W-DB序列与ACS HR-T2W-DB序列图像,发现ACS HR-T2W-DB序列还能获得更好的pSNR和更佳的左室游离壁以及右心室游离壁可视性。

3.3 局限性

       本研究尚有一些不足之处。首先,本研究纳入的受试者数量不够多,因此不能完全评估大样本的实际情况。其次,本研究只是在保证相同的采集时间的情况下与常规T2W-DB序列进行了定性与定量的比较,因而采用的是三倍加速,而未对采用更高加速倍数的HR-T2W-DB进行研究,通常高加速因子会导致图像质量的下降,如果能够在屏气时间更短的情况下获得不亚于常规T2W-DB序列的图像质量,那么ACS HR-T2W-DB会成为更吸引临床的选择。

       综上所述,与常规T2W-DB序列相比,基于ACS的HR-T2W-DB序列在不明显增加扫描时间和影响图像质量的情况下将空间分辨率提高了一倍。基于ACS的HR-T2W-DB序列可以获得更好的图像质量,尤其是对左心室游离壁可视性的提高,将有利于心肌水肿的检出,特别是在心肌炎好发于左心室游离壁。ACS这种新型加速方法在心脏磁共振方面显示出了巨大的应用前景。

[1]
Abdel-Aty H, Simonetti O, Friedrich MG. T2-weighted cardiovascular magnetic resonance imaging[J]. J Magn Reson Imaging, 2007, 26(3): 452-459. DOI: 10.1002/jmri.21028.
[2]
Amano Y, Tachi M, Tani H, et al. T2-Weighted Cardiac Magnetic Resonance Imaging of Edema in Myocardial Diseases[J]. The Scientific World Journal, 2012, 2012: 1-7. DOI: 10.1100/2012/194069.
[3]
刘茜, 杨志刚, 李媛. 心肌梗死的心脏磁共振成像技术临床应用及其研究现状[J]. 磁共振成像, 2021, 12(8) : 98-100, 107. DOI: 10.12015/issn.1674-8034.2021.08.022.
Liu X, Yang ZG, Li Y. Clinical application and current research status of cardiac magnetic resonance imaging of myocardial infarction[J]. Chin J Magn Reson Imaging, 2021, 12(8): 98-100, 107. DOI: 10.12015/issn.1674-8034.2021.08.022.
[4]
Busse A, Rajagopal R, Yücel S, et al. Cardiac MRI-Update 2020[J]. Radiologe, 2020, 60(S1): 33-40. DOI: 10.1007/s00117-020-00687-1.
[5]
Green JD, Clarke JR, Flewitt JA, et al. Single-shot steady-state free precession can detect myocardial edema in patients: A feasibility study[J]. J Magn Reson Imaging, 2009, 30(3): 690-695. DOI: 10.1002/jmri.21868.
[6]
Naßenstein K, Nensa F, Schlosser T, et al. Cardiac MRI: T2-Mapping Versus T2-Weighted Dark-Blood TSE Imaging for Myocardial Edema Visualization in Acute Myocardial Infarction[J]. Fortschr Röntgenstr, 2013, 186(2): 166-172. DOI: 10.1055/s-0033-1350516.
[7]
Steen H, Voss F, André F, et al. Clinical feasibility study for detection of myocardial oedema by a cine SSFP sequence in comparison to a conventional T2-weighted sequence[J]. Clin Res Cardiol, 2012, 101(2): 125-131. DOI: 10.1007/s00392-011-0373-5.
[8]
Wheen P, Armstrong R, Daly CA. Recent Advances in T1 and T2 Mapping in the Assessment of Fulminant Myocarditis by Cardiac Magnetic Resonance[J]. Curr Cardiol Rep, 2020, 22(7): 47. DOI: 10.1007/s11886-020-01295-0.
[9]
Hu C, Huber S, Nguyen V, et al. Fat-saturated dark-blood cardiac T2 mapping in a single breath-hold[J]. Magnetic Resonance Imaging, 2021, 81: 24-32. DOI: 10.1016/j.mri.2021.05.004.
[10]
Ogawa R, Kido T, Nakamura M, et al. Reconstruction of cardiovascular black-blood T2-weighted image by deep learning algorithm: A comparison with intensity filter[J]. Acta Radiologica Open, 2021, 10(9): 205846012110447. DOI: 10.1177/20584601211044779.
[11]
Hammernik K, Klatzer T, Kobler E, et al. Learning a variational network for reconstruction of accelerated MRI data[J]. Magn Reson Med, 2018, 79(6): 3055-3071. DOI: 10.1002/mrm.26977.
[12]
Zhu B, Liu JZ, Cauley SF, et al. Image reconstruction by domain-transform manifold learning[J]. Nature, 2018, 555(7697): 487-492. DOI: 10.1038/nature25988.
[13]
Mardani M, Gong E, Cheng JY, et al. Deep Generative Adversarial Neural Networks for Compressive Sensing MRI[J]. IEEE Trans Med Imaging, 2019, 38(1): 167-179. DOI: 10.1109/TMI.2018.2858752.
[14]
Johnson PM, Recht MP, Knoll F. Improving the Speed of MRI with Artificial Intelligence[J]. Semin Musculoskelet Radiol, 2020, 24(1): 12-20. DOI: 10.1055/s-0039-3400265.
[15]
Sheng R, Zheng L, Jin K, et al. Single-breath-hold T2WI liver MRI with deep learning-based reconstruction: A clinical feasibility study in comparison to conventional multi-breath-hold T2WI liver MRI[J]. Magnetic Resonance Imaging, 2021, 81: 75-81. DOI: 10.1016/j.mri.2021.06.014.
[16]
Wang S, Cao G, Wang Y, et al. Review and Prospect: Artificial Intelligence in Advanced Medical Imaging. Front Radio, 2021, 1: 781868. DOI: 10.3389/fradi.2021.781868.
[17]
Xie J, Xu L, Chen E. Image Denoising and Inpainting with Deep Neural Networks[J]. Advances in Neural Information Processing Systems, 2012, 341-349.
[18]
Edelman RR, Botelho M, Pursnani A, et al. Improved dark blood imaging of the heart using radial balanced steady-state free precession[J]. J Cardiovasc Magn Reson, 2017, 18(1): 69. DOI: 10.1186/s12968-016-0293-7.
[19]
Friedrich MG, Sechtem U, Schulz-Menger J, et al. Cardiovascular Magnetic Resonance in Myocarditis: A JACC White Paper[J]. J Am Coll Cardiol, 2009, 53(17): 1475-1487. DOI: 10.1016/j.jacc.2009.02.007.
[20]
Zhu Y, Yang D, Zou L, et al. T2STIR preparation for single-shot cardiovascular magnetic resonance myocardial edema imaging[J]. J Cardiovasc Magn Reson, 2019, 21(1): 72. DOI: 10.1186/s12968-019-0583-y.
[21]
Hu C, Huber S, Latif SR, et al. Reverse double inversion-recovery: Improving motion robustness of cardiac T2-weighted dark-blood turbo spin-echo sequence[J]. J Magn Reson Imaging, 2018, 47(6): 1498-1508. DOI: 10.1002/jmri.25886.
[22]
Mann LW, Higgins DM, Peters CN, et al. Accelerating MR Imaging Liver Steatosis Measurement Using Combined Compressed Sensing and Parallel Imaging: A Quantitative Evaluation[J]. Radiology, 2016, 278(1): 247-256. DOI: 10.1148/radiol.2015150320.
[23]
Siewert B, Müller MF, Foley M, et al. Fast MR imaging of the liver: quantitative comparison of techniques[J]. Radiology, 1994, 193(1): 37-42. DOI: 10.1148/radiology.193.1.8090918.
[24]
Mayr A, Reiter G, Beitzke D. Cardiac magnetic resonance imaging: Trends and developments[J]. Der Radiologe, 2020, 60(12): 1142-1152. DOI: 10.1007/s00117-020-00766-3.
[25]
Chen H, Zhang Y, Kalra MK, et al. Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network[J]. IEEE Trans Med Imaging, 2017, 36(12): 2524-2535. DOI: 10.1109/TMI.2017.2715284.
[26]
Schlemper J, Caballero J, Hajnal JV, et al. A Deep Cascade of Convolutional Neural Networks for Dynamic MR Image Reconstruction[J]. IEEE Trans Med Imaging, 2018, 37(2): 491-503. DOI: 10.1109/TMI.2017.2760978.
[27]
Kumar A, Beohar N, Arumana JM, et al. CMR Imaging of Edema in Myocardial Infarction Using Cine Balanced Steady-State Free Precession[J]. JACC: Cardiovascular Imaging, 2011, 4(12): 1265-1273. DOI: 10.1016/j.jcmg.2011.04.024.
[28]
Russo V, Lovato L, Ligabue G. Cardiac MRI: technical basis[J]. Radiol Med, 2020, 125(11): 1040-1055. DOI: 10.1007/s11547-020-01282-z.
[29]
Liu J, Jin H, Chen Y, et al. Free-breathing BLADE acquisition method improves T2-weighted cardiac MR image quality compared with conventional breath-hold turbo spin-echo cartesian acquisition[J]. Acta Radiol, 2021, 62(3): 341-347. DOI: 10.1177/0284185120924567.

上一篇 夜间遗尿症儿童静息态脑功能磁共振成像研究
下一篇 磁共振钆对比剂增强前后对APT信号影响的研究
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2