Qualitative und quantitative Analyse des funktionellen Kardio-MRT unter Kombination von Compressed SENSE und Deep-learning basierter Bildrekonstruktion.

Zielsetzung Ziel war die Evaluation eines neu entwickelten deep-learning Algorithmus, basierend auf einem Convolutional Neural Network (CNN) in Kombination mit Compressed SENSE (CS) zur Beschleunigung von balanced steady-state free precession (bSSFP)-Sequenzen des kardialen MRT.

Material und Methoden In dieser prospektiven Studie wurden 30 gesunde Probanden im 3T MRT untersucht. Aquiriert wurden CINE bSSFP-Sequenzen für die Kurzachse (SA, multi-breath-hold) und für den Vierkammerblick (4CH) des Herzens, unter Beschleunigung mit 4 verschiedenen Compressed SENSE-Stufen. Zusätzlich wurden die Sequenzen mit 3 verschiedenen denoising-level (CS-AI) rekonstruiert: CS-AI medium, strong und complete. Basierend auf den SA-Sequenzen erfolgte eine quantitative Analyse der linksventrikulären (LV) Funktion für jede Compressed SENSE-Stufe und jedes denoising-level. Zusätzlich erfolgte eine Bewertung der Bildqualität und der Artefakte in jeder Beschleunigungstufe und jedem denoising-level durch zwei Radiologen anhand einer 5 stufigen Likert-Skala. Die statistische Analyse der subjektiven Daten erfolgte mittels Friedman- und die quantitative Analyse mittels ANOVA und Turkey-Kramer-Test.

Ergebnisse Für die SA-Sequenzen konnte eine Verkürzung der Scanzeit um bis zu 57%, bei den 4CH-Sequenzen um bis zu 56% im Vergleich zu den klinisch etablierten Sequenzen erreicht werden (SA-CS 3:112s vs. SA-CS 6: 48s; 4CH-CS 2,5: 9s vs. 4CH-CS 5: 4s). Die LV-Funktionsanalyse wurde durch die Beschleunigung der MRT-Sequenzen und die CS-AI-Rekonstruktion nicht beeinträchtigt (alle p>0,999). Der Verlust an Bildqualität und die Zunahme von Artefakten, die mit der Beschleunigung einhergehen, konnten durch die CS-AI-Nachbearbeitung vollständig kompensiert werden.

Schlussfolgerungen Die Kombination von Compressed SENSE und deep-learning basierter Bildrekonstruktion kann die Scanzeit in der kardialen Bildgebung erheblich verkürzen, ohne Beeinträchtigung der LV-Funktionsanalyse und mit vergleichbaren Ergebnissen bezüglich der Gesamtbildqualität und der Artefakte.

Publication History

Article published online:
13 April 2023