Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI

📄 arXiv: 2402.15939v2 📥 PDF

作者: Zi Wang, Min Xiao, Yirong Zhou, Chengyan Wang, Naiming Wu, Yi Li, Yiwen Gong, Shufu Chang, Yinyin Chen, Liuhong Zhu, Jianjun Zhou, Congbo Cai, He Wang, Di Guo, Guang Yang, Xiaobo Qu

分类: eess.IV, cs.LG

发布日期: 2024-02-24 (更新: 2024-10-02)

备注: 12 pages, 14 figures, 4 tables

💡 一句话要点

提出深度可分离时空学习以解决快速动态心脏MRI重建问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 动态心脏MRI 深度学习 图像重建 时空学习 医学影像 机器学习 心脏病诊断

📋 核心要点

  1. 现有的动态心脏MRI重建方法在处理高维数据时面临巨大挑战，尤其是在训练数据不足的情况下。
  2. 本文提出了一种深度可分离时空学习网络（DeepSSL），通过引入时空先验和降维策略来提高重建效率。
  3. 实验结果显示，DeepSSL在心脏影像重建中表现优异，训练样本需求显著降低，并且在未见患者中也展现出良好的适应性。

📝 摘要（中文）

动态磁共振成像（MRI）在心脏诊断中发挥着不可或缺的作用。为了实现快速成像，k空间数据可以进行欠采样，但图像重建面临高维处理的巨大挑战。这一挑战需要深度学习重建方法中大量的训练数据。本文提出了一种新颖且高效的方法，利用降维可分离学习方案，即使在训练数据极为有限的情况下也能表现出色。我们设计了深度可分离时空学习网络（DeepSSL），将时空先验融入到2D时空重建模型的迭代过程中，具有时间低秩性和空间稀疏性。大量心脏影像数据集的结果表明，DeepSSL在视觉和定量上均超越了现有最先进的方法，同时将训练样本需求减少了多达75%。

🔬 方法详解

问题定义：本文旨在解决动态心脏MRI重建中的高维数据处理问题，现有方法在训练数据不足时效果不佳，导致重建质量下降。

核心思路：提出的DeepSSL网络通过引入时空先验和降维可分离学习策略，能够在有限的训练数据下实现高效的图像重建。

技术框架：DeepSSL网络的整体架构包括一个迭代过程，结合了时间低秩性和空间稀疏性，分为数据输入、特征提取、重建输出等主要模块。

关键创新：DeepSSL的核心创新在于其可分离的时空学习机制，能够有效利用少量训练数据进行高质量重建，与传统方法相比具有本质的区别。

关键设计：网络设计中采用了特定的损失函数以优化重建质量，并通过可视化中间输出增强网络的可解释性，提升了模型的透明度和用户信任度。

📊 实验亮点

实验结果表明，DeepSSL在心脏影像重建任务中超越了现有最先进的方法，视觉和定量评估均显示出显著提升，训练样本需求减少了多达75%。此外，经过经验丰富的放射科医生和心脏病专家的盲读研究验证，DeepSSL在未见患者中的适应性也得到了确认。

🎯 应用场景

该研究的潜在应用领域包括心脏病诊断、实时影像监测和个性化医疗。通过提高动态心脏MRI的重建速度和质量，能够为临床医生提供更准确的诊断依据，进而改善患者的治疗效果和生活质量。

📄 摘要（原文）

Dynamic magnetic resonance imaging (MRI) plays an indispensable role in cardiac diagnosis. To enable fast imaging, the k-space data can be undersampled but the image reconstruction poses a great challenge of high-dimensional processing. This challenge necessitates extensive training data in deep learning reconstruction methods. In this work, we propose a novel and efficient approach, leveraging a dimension-reduced separable learning scheme that can perform exceptionally well even with highly limited training data. We design this new approach by incorporating spatiotemporal priors into the development of a Deep Separable Spatiotemporal Learning network (DeepSSL), which unrolls an iteration process of a 2D spatiotemporal reconstruction model with both temporal low-rankness and spatial sparsity. Intermediate outputs can also be visualized to provide insights into the network behavior and enhance interpretability. Extensive results on cardiac cine datasets demonstrate that the proposed DeepSSL surpasses state-of-the-art methods both visually and quantitatively, while reducing the demand for training cases by up to 75%. Additionally, its preliminary adaptability to unseen cardiac patients has been verified through a blind reader study conducted by experienced radiologists and cardiologists. Furthermore, DeepSSL enhances the accuracy of the downstream task of cardiac segmentation and exhibits robustness in prospectively undersampled real-time cardiac MRI.