Motivação: MOLLI é uma técnica amplamente utilizada para mapeamento T1 de RM cardíaca (CMR), que, no entanto, sofre de longos períodos de apneia e janela de aquisição. Nosso objetivo é propor uma rede de aprendizado profundo para mitigar esses desafios. Objetivo(s): Desenvolver um modelo de aprendizado profundo para reduzir simultaneamente o tempo de aquisição e a janela do MOLLI. Abordagem: Um novo modelo transformer foi projetado para explorar as correlações espaciais e inter-contraste das imagens ponderadas T1 do MOLLI para, em seguida, gerar mapas T1 de CMR de alta qualidade usando apenas quatro imagens T1 ponderadas de baixa resolução em disparo único. Resultados: O modelo de aprendizado profundo proposto é capaz de alcançar quantificação precisa e super-resolução dos mapas T1 de CMR simultaneamente. Impacto: O método proposto pode gerar mapas T1 cardíacos de alta qualidade usando imagens MOLLI adquiridas com tempo de aquisição reduzido (~4s) e janela de aquisição reduzida em três a quatro vezes, aumentando assim a aplicabilidade clínica do mapeamento T1 cardíaco.
Liu et al. (Ter,) estudaram esta questão.