Трехмерная функциональная магнитно-резонансная томография легких с фазовым разрешением

3D PREFUL MRI позволяет визуализировать вентиляцию легких. Что послужило нашей первоначальной мотивацией для разработки PREFUL MRI? Это было желание захватить весь объем легких с более высоким изотропным разрешением изображения по сравнению с обычной 2D PREFUL MRI.

3D PREFUL MRI обеспечивает динамическую вентиляцию легких, обнаружение заболеваний легких, мониторинг лечения и, возможно, в будущем прогнозирование пациентов с заболеваниями легких. У детей PREFUL MRI особенно полезен, потому что он очень удобен для пациента без облучения. Наиболее значительным преимуществом 3D PREFUL MRI является использование последовательности продуктов, которая доступна на современных МРТ-сканерах, что способствует его широкому внедрению в других центрах.

Кроме того, по сравнению с другими методами 3D МРТ со свободным дыханием, 3D PREFUL MRI недавно была валидирована для прямого измерения вентиляции с использованием 19 изображений FCA и гипергазовой визуализации, демонстрируя тесное соответствие между этими методами. Мы показали, что 3D PREFUL MRI смогла показать гетерогенность вентиляции и дефекты вентиляции у пациентов с астмой и КБД. Кроме того, мы смогли показать эффекты ответа на лечение у пациентов с муковисцидозом после терапии.

Поэтому мы думаем, что в будущем 3D PREFUL MRI станет ценным дополнительным инструментом в клинике для пациентов с заболеваниями легких. Самые последние разработки 3D PREFUL включают в себя новые конструкции последовательностей, такие как использование спиральных траекторий. Они актуальны из-за более низких требований к аппаратному обеспечению и повышенной эффективности выборки на основе кейсов.

Кроме того, подход с одновременным моторным срезом вызывает все больший интерес, поскольку он значительно сокращает время сканирования во время 2D-сканирования, обеспечивая при этом вентиляцию и перфузионно-взвешенную визуализацию. Следующие шаги в области 3D PREFUL MRI будут включать в себя дальнейшее сокращение времени сбора данных и использование методов на основе глубокого обучения для реконструкции изображений и регистрации изображений, поскольку эти шаги в настоящее время являются наиболее трудоемкими в разработке. Таким образом, мы стремимся значительно ускорить эти процессы, повысив общую эффективность закупок и обеспечив возможность онлайн-реконструкции.

Для начала попросите испытуемого лечь на стол магнитно-резонансной томографии или МРТ в положении лежа на спине. Используя лазерную навигацию, расположите пациента так, чтобы визуализируемая область занимала центр канала ствола ISIS. Выполните последовательность локализации для получения анатомических изображений с низким разрешением в трех плоскостях для планирования обследования 3D PREFUL.

После настройки параметров сбора данных установите количество радиальных проекций таким образом, чтобы сбор данных занимал около восьми минут. Проверьте, включена ли вся грудная клетка в поле зрения, и начните съемку. Сохраните необработанные данные 3D PREFUL, основанные на кейсах, используя специфичные для поставщика действия на консоли MR.

Задайте путь к исходным данным для оценки полученных данных с помощью скрипта реконструкции изображения. Оцените градиентные задержки, зависящие от системы MR, с помощью калибровочных проекций с функцией S-задержки в BART. Примените сдвиг к каждой проекции в соответствии с рассчитанной градиентной задержкой, а затем отфильтруйте данные с поправкой на градиентную задержку с помощью периодического окна в плоскости XY и направлении Z.

Для реконструкции изображений с низким разрешением выберите одну восьмую часть данных на основе наблюдений, центрированных вокруг среднего индекса измерений считывания, а также одну четвертую часть данных на основе наблюдений, центрированных вокруг среднего индекса размера раздела. Измените форму матриц данных на основе наблюдений и соответствующих траекторий, чтобы включить в них дополнительные временные измерения, каждая из которых будет содержать 14 радиальных проекций. Используя команду параллельной визуализации и сжатого сенсорного изображения, BART выполняет реконструкцию изображения.

Чтобы извлечь сигнал респираторного шлюзования, сегментируйте легочную паренхиму в каждом реконструированном 3D-изображении с низким разрешением, используя пороговое значение Оцу, и рассчитайте объем легочной паренхимы для каждой временной точки. Примените фильтр нижних частот с частотой среза 0,7 герц к временному ряду извлеченного объема и рассчитайте частоту дыхания. Затем исключите экстремальные выбросы из временного ряда.

Затем выполните быстрое преобразование Фурье для обработки данных фильтра вдоль направления среза, чтобы включить реконструкцию изображения срез за срезом. Измените матрицу данных на основе извлеченных временных рядов таким образом, чтобы каждый респираторный бункер содержал минимум 100 спиц. Изменена матрица траекторий на основе случая в соответствии с размером данных на основе случая и используется 20% проекций из соседних контейнеров для улучшения отношения сигнал/шум каждого респираторного контейнера.

Выполните команду picks для восстановления изображения для каждого среза. Сохраните переменные, включая восстановленные изображения одного полного дыхательного цикла, частоты дыхания и времени сбора данных в файле DOTMAP. Затем инвертируйте интенсивности сигнала восстановленных изображений и зарегистрируйте их в выбранном состоянии дыхания с помощью нежесткой регистрации.

Выполните фильтрацию с помощью регрессии ядра Надараи-Уотсона к зарегистрированным и инвертированным изображениям для интерполяции 16 фаз на равномерно распределенную временную сетку. Устранение вариаций сигнала, не связанных с дыханием, с помощью фильтра нижних частот на частоте 0,7 Гц к интерполированным данным во временной области. Установите параметры window size на 5, 5, 5 и lambda на 0.001.

Уменьшите шум на низкочастотных отфильтрованных изображениях с помощью фильтрации на основе управляемого изображения, используя в качестве направляющего изображение усредненное по времени зарегистрированное изображение. Рассчитайте регионарную вентиляцию или наши карты вентиляционных отверстий в миллилитрах на миллилитр для каждой респираторной фазы N. Затем сегментируйте 3D-изображение паренхимы легких на конечном вдохе с помощью сверточной нейронной сети с архитектурой сети NNU. Исключите легочные сосуды с помощью алгоритма распознавания сосудов, а затем рассчитайте дефект вентиляции или карту ВД карты R-вентиляции восьмой фазы, которая представляет собой максимальную вентиляцию.

Рассчитайте расход как первую производную от R-вентиляционного отверстия. Установите контур объема эталонного потока или FVL для каждого среза, рассчитанного из здоровой области, определяемой значениями вентиляционных отверстий между 75-м и 95-м процентилем. Определить сходство между каждым вокселем паренхимы легких FVL и референсным FVL с помощью перекрестной корреляции с нулевым запаздыванием.

Затем вычислите карту корреляции дефектов вентиляции FEL. Вычислите время вентиляции до пика или карты VTTP в процентах от дыхательного цикла, за которым следует отклонение значения VTTP от пикового вдоха на 50%Опишите статистически такие параметры, как вентиляция, FELCM, VTTP и отклонение VTTP для всех срезов, предоставив медиану, среднее значение, значения стандартного отклонения и межквартильные диапазоны. Наконец, рассчитайте процентные значения дефектов вентиляции, полученные из сгенерированных карт ВД, и экспортируйте все рассчитанные параметры в файл электронной таблицы.

3D PREFUL MRA здорового добровольца показал однородные значения вентиляции для всех карт параметров вентиляции. На примерных картах VD процентное значение дефекта вентиляции для нашего вентиляционного отверстия составило 3,6%, а для FELCM — 3%, что находится в пределах здорового нормального диапазона. Сравнение карт дефектов вентиляции с помощью 3D PREFUL MRI и 19 FMRI 54-летней женщины с хронической обструктивной болезнью легких показало хорошую визуальную корреляцию здоровых и гиповентилируемых областей.

Сравнение 3D PREFUL MRI для измерения регионарных ответов после терапии легкого пациента с муковисцидозом выявило увеличение значений метрики корреляции FEL, а также снижение ВД после терапии.