脑扩散权重成像的深度学习重建:在in vitro和in vivo研究中改善图像质量,明显扩散系数评估和Intravoxel不连贯运动评估的有效性

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 深度学习重建 (DLR) 正成为一种提高磁共振成像 (MRI) 质量的技术.
• DLR对扩散加权成像 (DWI) 和内不连贯运动 (IVIM) 参数的影响在很大程度上尚未评估.
• 了解DLR的影响对于MRI中准确的定量分析至关重要.

研究的目的:

• 评估DLR对MRI图像质量的影响,明显扩散系数 (ADC) 评估和IVIM指数评估在DWI.
• 在幻影 (体外) 和患者 (体内) 研究中调查DLR对DWI参数的影响.

主要方法:

• 在15名脑瘤患者的体外幻影研究和体内研究使用DWI和IVIM序列进行.
• 用DLR和没有DLR重建图像数据进行比较分析.
• 用兴趣区域测量来评估ADC,D*,f和D值,并使用t测试和Wilcoxon签名等级测试进行统计比较,以及Bland-Altman分析以确定一致度的极限.

主要成果:

• 试验室研究没有显示DLR或不含DLR的ADC值有显著差异,但在b值≥250s/mm2时,变化系数 (CV%) 的显著差异≥250s/mm2.
• 在体内研究表明,D*和f值与DLR (P<0.001) 有显著差异.
• 确定了ADC,D,D*和f值的协议限制,表明DLR在参数上的可变影响.

结论:

• DLR有可能显著提高DWI质量,特别是在更高的b值时.
• 在IVIM分析中,DLR影响D*和f值,这表明它在先进的定量成像中具有实用性.
• ADC 和 D 值似乎不受 DLR 的影响,这表明它们在 DLR 处理的 DWI 中的稳定性.