深度学习超分辨率重建用于快速和运动强大的T2加权前列腺MRI
Leon M Bischoff1, Johannes M Peeters1, Leonie Weinhold1
1From the Department of Diagnostic and Interventional Radiology (L.M.B., A.I., D.K., U.A., C.C.P., A.M.S., J.A.L.), Quantitative Imaging Laboratory Bonn (QILaB) (L.M.B., A.I., D.K., A.M.S., J.A.L.), Institute for Medical Biometry, Informatics and Epidemiology (L.W.), and Department of Urology (P.K., J.E.), University Hospital Bonn, Venusberg-Campus 1, 53127 Bonn, Germany; Philips MR Clinical Science, Best, the Netherlands (J.M.P.); and Philips Market DACH, Hamburg, Germany (C.K., O.M.W.).
Radiology
|September 26, 2023
概括
深度学习 (DL) 重建显著减少前列腺MRI采集时间,改善图像清晰度. 这种先进的技术与PI-RADS评分的标准序列非常一致.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 深度学习 (DL) 显示了提高MRI图像质量和减少扫描时间的潜力.
- 然而,在前列腺MRI中使用压缩感应的DL重建的应用尚未得到充分研究.
研究的目的:
- 评估行业开发的DL算法,用于重建低分辨率T2加权的轮旋回声 (TSE) 前列腺MRI扫描.
- 将DL重建序列的图像质量和诊断性能与标准MRI序列进行比较.
主要方法:
- 一项前性研究涉及109名疑似患有前列腺癌的男性参与者.
- 获取标准分辨率T2加权TSE序列 (T2C和T2NC) 和低分辨率DL重建的T2加权TSE序列 (T2DL) 的压缩传感.
- 图像清晰度的定性和定量评估以及前列腺成像报告和数据系统 (PI-RADS) 评分协议的比较.
主要成果:
- 通过DL重建的序列 (T2DL) 实现了显著降低的获取时间 (36%和29%的减少与T2C和T2NC相比).
- 与标准序列相比,T2DL在质量和数量上都显示出更高的图像清晰度.
- 在T2NC和T2DL之间观察到PI-RADS评分评估的优异一致性 (κ范围,0.92-0.94).
结论:
- DL重建为前列腺MRI提供了加快的获取时间.
- 该DL方法提高图像质量,提供比标准TSE序列更清晰的图像.
- 经DL重建的序列与PI-RADS评级的传统方法保持了很好的诊断一致性,使得前列腺癌的有效评估成为可能.
