基于深度学习的T2加权图像在鼻软骨中进行重建的有用性

科学领域:

• 放射学 放射学是指放射学
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 精确的视觉化鼻软骨对于诊断和手术前的规划至关重要.
• 像3D FSPGR这样的传统成像技术在软骨划分和扫描效率方面可能存在局限性.

研究的目的:

• 评估基于深度学习的重建 (DLR) 快速旋转回声 (FSE) 成像用于可视化鼻的可行性.
• 在图像质量,诊断性能和扫描时间方面,将DLR-FSE与传统的3D快速破坏梯度回声 (3D FSPGR) 成像进行比较.

主要方法:

• 追溯分析了来自38名参与者的190个图像集.
• 获取带有和没有DLR的轴向T1和T2加权的FSE图像,以及3DFSPGR图像.
• 对图像质量,噪音,对比度和文物进行主观 (放射科医生评估) 和客观 (SNR,CNR) 的评估.
• 对软骨厚度测量 intra-rater重复性的评估和获取时间的比较.

主要成果:

• 与3D FSPGR相比,DLR-FSE在质量和数量上表现出更好的表现 (p < 0.05).
• T2加权的DLR-FSE (T2WI_DL) 提供了比3D FSPGR更好的下侧,上侧和隔膜软骨的界限.
• 与3D FSPGR (p < 0.05) 相比,T2WI_DL对软骨厚度测量表现出高的观察者内部一致性,并减少了获取时间 (14.2% - 29%).

结论:

• 使用DLR的2D等效薄切片T1和T2加权图像提供了更好的图像质量和更短的扫描时间,与3DFSPGR相比,用于鼻软骨.
• DLR-FSE保留了解剖学细节和临床诊断性能,使其在鼻整形前的规划中具有价值.