Joint image reconstruction and segmentation of real-time cardiac MRI in free-breathing using a model based on disentangled representation learning
作者: Tobias Wech, Oliver Schad, Simon Sauer, Jonas Kleineisel, Nils Petri, Peter Nordbeck, Thorsten A. Bley, Bettina Baeßler, Bernhard Petritsch, Julius F. Heidenreich
分类: eess.IV, cs.CV, physics.med-ph
发布日期: 2024-09-13
备注: Submitted to the Journal of Cardiovascular Magnetic Resonance
💡 一句话要点
提出基于解耦表示学习的联合重建与分割模型，用于自由呼吸下实时心脏MRI
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)
关键词: 心脏MRI 图像重建 图像分割 解耦表示学习 实时成像 自由呼吸 心律失常 深度学习
📋 核心要点
- 传统心脏MRI依赖心电门控和屏气，对心律失常患者不友好，扫描时间长，患者舒适度低。
- 论文提出基于解耦表示学习的联合重建与分割模型，无需心电门控和屏气，实现实时心脏MRI。
- 实验表明，该方法在健康人和心律失常患者中均能获得高质量图像，扫描时间缩短，提升患者体验。
📝 摘要（中文）
本文提出了一种基于解耦表示学习的联合图像重建和分割方法，旨在实现自由呼吸下的实时心脏电影MR成像。在一项探索性可行性研究中，该方法在八名健康参与者和五名患有间歇性心房颤动的患者中使用内部开发的螺旋bSSFP脉冲序列进行了欠采样的实时采集测试。将图像和预测的左心室分割与心电门控分段笛卡尔电影的参考标准以及相应的手动分割进行比较。在5点Likert量表上，健康参与者中实时屏气方法和笛卡尔电影的图像质量相当（RT-BH：1.99 $\pm$ .98，笛卡尔：1.94 $\pm$ .86，p=.052），但在自由呼吸中略有下降（RT-FB：2.40 $\pm$ .98，p<.001）。在心律失常患者中，两种实时方法的图像质量均较好（RT-BH：2.10 $\pm$ 1.28，p<.001，RT-FB：2.40 $\pm$ 1.13，p<.001，笛卡尔：2.68 $\pm$ 1.13）。观察者内部可靠性良好（ICC=.77，95%置信区间[.75, .79]，p<.001）。在功能分析中，与临床参考标准相比，提出的模型导出的射血分数存在正偏差（RT-BH平均EF：58.5 $\pm$ 5.6%，偏差：+3.47%，95%置信区间[-.86, 7.79%]，RT-FB平均：57.9 $\pm$ 10.6%，偏差：+1.45%，[-3.02, 5.91%]，笛卡尔平均：54.9 $\pm$ 6.7%）。所提出的实时MR成像技术能够在1-2分钟内获取高质量的心脏电影数据，而无需心电门控和屏气。因此，它为目前的分段采集临床实践提供了一种有前景的替代方案，具有更短的扫描时间、更高的患者舒适度和对心律失常和患者不依从性的更高鲁棒性。
🔬 方法详解
问题定义：传统心脏电影MRI成像需要心电门控和重复屏气，这对于患有心律失常的患者或无法配合屏气的患者来说是一个巨大的挑战。此外，分段采集方式导致扫描时间较长，降低了患者的舒适度。因此，如何在自由呼吸条件下，无需心电门控，快速获取高质量的心脏电影MRI图像是一个亟待解决的问题。
核心思路：论文的核心思路是利用解耦表示学习，将图像重建和分割任务联合起来进行优化。通过解耦图像的结构信息和内容信息，模型可以更好地学习到心脏的运动模式和解剖结构，从而在欠采样数据和自由呼吸条件下实现高质量的图像重建和精确的分割。这种联合优化方法能够提高模型的鲁棒性和泛化能力。
技术框架：该方法的技术框架主要包含以下几个模块：数据采集模块（使用螺旋bSSFP脉冲序列进行欠采样数据采集）、解耦表示学习模块（利用编码器-解码器结构，将图像分解为结构表示和内容表示）、联合重建与分割模块（利用解码器分别重建图像和分割左心室）。整个流程首先通过数据采集模块获取欠采样数据，然后通过解耦表示学习模块提取图像的结构和内容信息，最后利用联合重建与分割模块同时完成图像重建和左心室分割。
关键创新：该方法最重要的技术创新点在于将解耦表示学习应用于心脏MRI的联合重建与分割。通过解耦图像的结构和内容信息，模型可以更好地学习到心脏的运动模式和解剖结构，从而提高重建和分割的精度和鲁棒性。与传统的基于压缩感知的重建方法相比，该方法无需手动设计正则化项，而是通过数据驱动的方式学习到图像的先验知识。
关键设计：在解耦表示学习模块中，使用了变分自编码器（VAE）结构，通过引入KL散度损失来约束隐变量的分布，从而实现结构和内容信息的解耦。在联合重建与分割模块中，使用了共享的解码器结构，通过多任务学习的方式同时优化重建损失和分割损失。此外，还使用了数据增强技术，例如随机旋转、平移和缩放，来提高模型的泛化能力。
📊 实验亮点
实验结果表明，该方法在健康参与者和心律失常患者中均能获得高质量的心脏电影图像。在健康参与者中，实时屏气方法和笛卡尔电影的图像质量相当。在心律失常患者中，两种实时方法的图像质量均优于笛卡尔电影。与临床参考标准相比，该方法导出的射血分数存在较小的正偏差，但仍在可接受范围内。观察者内部可靠性良好（ICC=.77）。
🎯 应用场景
该研究成果可应用于临床心脏MRI检查，尤其适用于心律失常患者和无法配合屏气的患者。该技术能够缩短扫描时间，提高患者舒适度，并提供高质量的心脏电影图像，辅助医生进行疾病诊断和治疗方案制定。未来，该技术有望推广到其他器官的动态MRI成像，具有广阔的应用前景。
📄 摘要（原文）
A joint image reconstruction and segmentation approach based on disentangled representation learning was trained to enable cardiac cine MR imaging in real-time and under free-breathing. An exploratory feasibility study tested the proposed method in undersampled real-time acquisitions based on an in-house developed spiral bSSFP pulse sequence in eight healthy participants and five patients with intermittent atrial fibrillation. Images and predicted LV segmentations were compared to the reference standard of ECG-gated segmented Cartesian cine in repeated breath-holds and corresponding manual segmentation. On a 5-point Likert scale, image quality of the real-time breath-hold approach and Cartesian cine was comparable in healthy participants (RT-BH: 1.99 $\pm$ .98, Cartesian: 1.94 $\pm$ .86, p=.052), but slightly inferior in free-breathing (RT-FB: 2.40 $\pm$ .98, p<.001). In patients with arrhythmia, image quality from both real-time approaches was favourable (RT-BH: 2.10 $\pm$ 1.28, p<.001, RT-FB: 2.40 $\pm$ 1.13, p<.001, Cartesian: 2.68 $\pm$ 1.13). Intra-observer reliability was good (ICC=.77, 95%-confidence interval [.75, .79], p<.001). In functional analysis, a positive bias was observed for ejection fractions derived from the proposed model compared to the clinical reference standard (RT-BH mean EF: 58.5 $\pm$ 5.6%, bias: +3.47%, 95%-confidence interval [-.86, 7.79%], RT-FB mean: 57.9 $\pm$ 10.6%, bias: +1.45%, [-3.02, 5.91%], Cartesian mean: 54.9 $\pm$ 6.7%). The introduced real-time MR imaging technique is capable of acquiring high-quality cardiac cine data in 1-2 minutes without the need for ECG gating and breath-holds. It thus offers a promising alternative to the current clinical practice of segmented acquisition, with shorter scan times, higher patient comfort and increased robustness to arrhythmia and patient incompliance.