PSIRNet: Deep Learning-based Free-breathing Rapid Acquisition Late Enhancement Imaging

Titel: PSIRNet: Deep Learning-gebaseerde snelle opname van late versterking (Late Enhancement) bij vrije ademhaling

1. Het Probleem

Late gadolinium-versterking (LGE) met cardiale MRI is de klinische gouden standaard voor het beoordelen van myocardiale vitaliteit, infarcten en littekenweefsel. De conventionele methode, Phase-Sensitive Inversion Recovery (PSIR), vereist echter vaak herhaalde ademhalingen en uitgebreide signaal-averaging (meestal 8 tot 24 keer) om een voldoende signaal-ruisverhouding (SNR) te bereiken, vooral bij varianten zoals "dark blood" en "wideband" LGE.

• Tijdsinvestering: Een standaard studie duurt gemiddeld 15 minuten en neemt tot een derde van de totale scantijd in beslag.
• Berekening: De bestaande "motion-corrected" (MOCO) pipelines vereisen complexe registratie en gemiddelde berekeningen, wat meer dan 5 seconden per slice kost en de workflow vertraagt.
• Beperkingen: Bestaande deep learning-methoden zijn vaak beperkt tot ingehouden ademhaling (breath-held), segmenteerde opnames en kleine, enkel-centrum datasets, wat hun generaliseerbaarheid beperkt.

2. Methodologie

De auteurs hebben PSIRNet ontwikkeld, een end-to-end, physics-guided deep learning-netwerk dat diagnostische kwaliteit beelden genereert uit een enkele opname (single-shot) over twee hartslagen, zonder de noodzaak voor MOCO-averaging.

• Dataset:

  • Grootste dataset tot nu toe: 800.653 slices van 55.917 patiënten.
  • Data afkomstig van meerdere instellingen, 1.5T en 3T scanners, verschillende scannermodellen en softwareversies (2016–2024).
  • Drie varianten behandeld: Bright Blood, Dark Blood en Wideband LGE.
  • Verdeling: Training (640k slices), Validatie (80k slices) en Externe Test (80k slices) zonder patiënt-overlap.

• Netwerkarchitectuur:

  • Input: Onderbemonsterde k-ruimte data (IR en PD) van een enkele opname, samen met initiële coil-sensitiviteitskaarten.
  • Structuur: Het netwerk bestaat uit een Sensitivity Map Refinement (SMR) U-Net en een cascade van 12 Landweber-iteraties.
  • Fysica-gestuurd: Elke iteratie bevat een "data-consistency" stap (met een geleerde stapgrootte) gevolgd door een gezamenlijke veredeling (refinement) van IR en PD beelden via een U-Net.
  • Output: Na de laatste iteratie wordt de achtergrondfase van de PD-afbeelding verwijderd en wordt oppervlakte-coil correctie (SCC) toegepast om het definitieve PSIR-beeld te genereren.
  • Training: End-to-end training met als doel het maximaliseren van de Structural Similarity Index Measure (SSIM) ten opzichte van de MOCO-referentie. Het model heeft 845 miljoen parameters.

• Hardware: Getraind op 64 AMD MI300X GPU's. Inferentie gebeurt op een enkele NVIDIA A100 GPU.

3. Belangrijkste Bijdragen

• Snelheid: PSIRNet reduceert de opnametijd met een factor 8 tot 24 door te werken met slechts één opname (2 hartslagen) in plaats van 8-24 gemiddelden.
• Generaliseerbaarheid: Het model is getraind en getest op een enorme, multi-institutionele dataset die diverse scannerfabrikanten, veldsterktes en LGE-varianten omvat, wat robuustheid garandeert.
• Real-time Inferentie: De reconstructietijd is gedaald van >5 seconden per slice (CPU) naar ongeveer 100 milliseconden per slice (GPU), wat bijna real-time reconstructie mogelijk maakt.
• Klinische Validatie: Onafhankelijke beoordeling door twee expert cardiologen toonde aan dat de kwaliteit gelijkwaardig of superieur is aan de conventionele methode.

4. Resultaten

• Kwantitatieve Metrieken:

  • Gemiddelde SSIM: 92,26%
  • PSNR: 33,98 dB
  • NRMSE: 0,0474
  • Deze waarden tonen een hoge overeenkomst met de MOCO-referentie.

• Kwalitatieve Beoordeling (Cardiologen):

  • Dark Blood LGE: PSIRNet scoorde statistisch superieur aan MOCO (conservatieve P = .002).
  • Bright Blood & Wideband LGE: PSIRNet was statistisch equivalent aan MOCO (TOST procedure, margin 0,25 punten).
  • De beelden behielden de zichtbaarheid van hyperversterkte myocardinfarcten en littekens, zelfs bij extreme versnelling (bijv. 16x versnelling bij dark blood).

• Efficiëntie:

  • Inferentie: ~100 ms/slice (vs >5 sec/slice voor MOCO).
  • Geheugengebruik: 10 GB VRAM.

5. Betekenis en Conclusie

PSIRNet vertegenwoordigt een doorbraak in cardiale MRI-imaging. Door de noodzaak voor langdurige ademhalingen en uitgebreide averaging te elimineren, biedt het:

1. Verbeterde Workflow: Patiënten blijven korter in de scanner, wat de doorvoer verhoogt en de kans op bewegingsartefacten verkleint.
2. Hogere Resolutie: De bespaarde tijd kan worden gebruikt voor dunnere slices of volledige hartdekking (whole-heart coverage).
3. Real-time Feedback: Technici kunnen de beeldkwaliteit direct controleren, wat herhalingen van scans voorkomt.

Hoewel de studie retrospectief was en voornamelijk Siemens-scanners omvatte, toont PSIRNet aan dat deep learning, gekoppeld aan fysica-gestuurde reconstructie, de klinische standaard voor LGE-imaging fundamenteel kan versnellen zonder in te leveren op diagnostische kwaliteit. Prospectieve validatie is de volgende stap voor klinische implementatie.

Beschikbaarheid: De broncode en getrainde modelgewichten zijn publiek beschikbaar via GitHub en Hugging Face.