对高质量的T2加权乳腺磁共振成像深度学习重建的评估
Timothy J Allen1, Leah C Henze Bancroft2, Orhan Unal1,2
1Department of Medical Physics, University of Wisconsin-Madison, 1111 Highland Avenue, Madison, WI 53705, USA.
Tomography (Ann Arbor, Mich.)
|October 27, 2023
概括
深度学习重建显著提高了乳房成像的MRI质量,改善了信号,对比度和清晰度. 这种经过验证的技术在临床乳腺MRI应用中显示出前景.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 深度学习 (DL) 重建技术为改善磁共振 (MR) 图像质量提供了潜力.
- 在针对特定用例的DL方法临床实施之前,验证至关重要.
研究的目的:
- 评估原型DL重建对标准护理 (SOC) T2w和高空间分辨率 (HR) 乳腺MRI质量的影响.
- 从定量和质量上评估DL技术提供的图像质量改进.
主要方法:
- 在幻影和患者数据 (n=76) 上评估了DL重建,包括追溯和前性获得的SOC和HR乳房MRI检查.
- 使用信号与噪声比率 (SNR),对比与噪声比率 (CNR) 和边缘清晰度量化评估图像质量.
- 通过放射科医生阅读器对艺术品,清晰度,SNR和整体质量进行定性评估,使用利克特尺度对图像进行定性评估.
主要成果:
- DL重建增加了平均SNR (1.2-2.8x),CNR (1.0-1.8x) 和图像清晰度 (1.2-1.7x).
- 与非DL图像相比,使用DL的SOC获取显示了显著改善的质量得分.
- 与非DL SOC和HR图像相比,使用DL的HR采集显示了SNR,清晰度和整体质量的显著改善,采集时间仅增加了20%.
结论:
- 原型DL重建有效地提高T2w乳房MRI图像质量.
- DL技术为SOC和HR乳房MRI的定量和定性图像指标提供了显著的改进.
- DL重建是推动临床乳腺MRI应用的有希望的工具.
