T2加权的MRI重新获取质量与深度学习的质量 GAN图像重建:一项多读者研究

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 图像处理 图像处理

背景情况:

• T2加权成像 (T2WI) 对于诊断各种疾病至关重要.
• 在T2WI中图像质量的限制可能会阻碍准确的诊断.
• 深度学习技术,如CycleGAN,显示了图像增强的潜力.

研究的目的:

• 评估CycleGAN在提高T2加权图像 (T2WI) 质量的有效性.
• 为了比较CycleGAN增强的T2WI的定量和定性评估.
• 评估放射科医生对CycleGAN增强的T2WI的偏好.

主要方法:

• 应用CycleGAN算法来增强96名患者的T2WI,这些患者最初的扫描质量差 (RAD1) 和改进的重新扫描 (RAD2).
• 深度学习 (DL) 分类器用于定量质量评分 (0-1).
• 盲目的多读者研究,四名放射科医生对20名患者的图像对进行了评分 (RAD1与RAD2,RAD1与QI1,RAD2与QI2) 在1至4的质量尺度上.

主要成果:

• 与原始扫描相比,DL分类器在CycleGAN增强图像 (QI1,QI2) 中显示了定量改善 (p < 0.001).
• 然而,多读器分析没有显示出质量的改善;与RAD2相比,QI2显示质量下降和运动增加.
• 没有放射科医生更喜欢QI2而不是RAD2用于诊断目的.

结论:

• 循环GAN实现了定量T2WI质量提升,但未能提供定性诊断改进.
• 专家放射科医生并不喜欢使用CycleGAN生成的图像而不是标准的T2WI.
• 在基于AI的图像增强中,定量指标和定性诊断实用性之间存在差异.