磁共振电影成像是一种准确、重复性好的心脏体积和功能测定技术。尽管心脏磁共振成像的临床应用越来越广泛，但成像过程耗时较长，因此限制了其在临床上的进一步应用。现阶段，平行成像和压缩感知 (CS) 技术是最常用的减少扫描时间的技术。然而，图像质量会随着时间的减少而降低。

最近，深度学习已被用于心脏MRI扫描时间的减少。MRI重建技术主要分为基于模型的方法和超分辨率方法。虽然基于模型的方法显著地减少了重建时间，然而这些方法需要完全采样的k-空间数据进行训练，这在高空间分辨率成像序列中是不可用的。另一方面，超分辨率技术通过从低空间分辨率图像重建高空间分辨率图像来加速心脏MRI以减少k空间数据采集，但会产生一定的差异。

近日，发表在Radiology杂志上的一篇研究开发并评估了一个可以与平行成像或压缩感知（CS）相结合的深度学习模型以减少心脏磁共振的成像时间，为进一步扩大其临床应用范围提供了技术支持。

本项研究所使用的深度学习模型建立在增强的超分辨率生成对抗性内联神经网络上，利用回顾性识别的cine图像进行训练，并在2021年9月至2022年9月前瞻性入选的参与者中进行了评估。该模型应用于屏气心电图（ECG）采集的分段式和自由呼吸的实时cine图像，这些图像使用广义自动校准部分平行采集（GRAPPA）或CS采集，空间分辨率降低，随后使用深度学习模型恢复了空间分辨率。作为比较，研究收集了GRAPPA加速的cine图像。诊断质量和伪影由两位读者使用李克特量表进行评估，并使用Wilcoxon签名等级测试进行比较。使用Bland-Altman分析来评估左心室功能、容积和应变的一致性。

研究对1616名患者（平均年龄±SD，56岁±16岁；920名男性）进行了深度学习模型的训练，并对181人进行了评估，其中包括126名患者（平均年龄，57岁±16岁；77名男性）和55名健康人（平均年龄，27岁±10岁；15名男性）。在屏气心电图门控的分段cine和自由呼吸的实时cine中，深度学习模型和GRAPPA显示出相似的诊断质量分数（2.9 vs 2.9，P = .41，深度学习vs GRAPPA）和伪影分数（4.4 vs 4.3，P = .55，深度学习vs GRAPPA）。与GRAPPA相比，深度学习在每次屏气时获得更多的部分（3.1 vs 1部分，P < .001）。在自由呼吸的实时cine中，深度学习显示了类似的诊断质量得分（2.9 vs 2.9，P = .21，深度学习vs GRAPPA）和较低的伪影得分（3.9 vs 4.3，P < .001，深度学习vs GRAPPA）。对于这两个序列，深度学习模型对左心室参数显示出极好的一致性，与GRAPPA相比，其平均差异接近零，一致性的界限很窄。

 表 左室功能收缩力与左心压的比较容量与心肌应变评估

本项研究表明，深度学习-加速心脏cine磁共振成像显示出了与标准化平行成像方法类似的心脏功能、容积和应变的精确量化水平。 

原文出处：

Siyeop Yoon,Shiro Nakamori,Amine Amyar,et al.Accelerated Cardiac MRI Cine with Use of Resolution Enhancement Generative Adversarial Inline Neural Network.DOI:10.1148/radiol.222878

Tags： Radiology：如何给心脏MR电影成像加速？