基于扩散权重的成像质量和表面扩散系数的深度学习重建的评估,使用冰水幻影
Tatsuya Hayashi1, Shinya Kojima2, Toshimune Ito2
1Graduate School of Medical Technology, Teikyo University, 2-11-1 Kaga, Itabashi-Ku, Tokyo, 173-8605, Japan. t-hayashi@med.teikyo-u.ac.jp.
Radiological physics and technology
|December 28, 2023
概括
深度学习重建 (DLR) 提高了MRI中信号噪声比 (SNR) 和明显扩散系数 (ADC) 测量的精度. 然而,DLR并不能提高ADC值的准确性,即使使用先进的成像技术.
科学领域:
- 磁共振成像 (MRI) 是一种磁共振成像技术.
- 医学成像技术 医学成像技术
- 图像重建算法 图像重建算法
背景情况:
- 扩散权重成像 (DWI) 对于评估组织微观结构至关重要.
- 准确的表面扩散系数 (ADC) 量化对于诊断解释至关重要.
- 深度学习重建 (DLR) 提供了对MRI图像质量的潜在改进.
研究的目的:
- 评估深度学习重建 (DLR) 对扩散加权图像 (DWI) 质量的影响.
- 评估DLR对明显扩散系数 (ADC) 测量的准确性,精度和可重复性的影响.
- 在MRI中研究DLR在不同b值和切片厚度的性能.
主要方法:
- 一个具有已知的扩散特性的冰水幻影用3T核磁共振扫描仪成像.
- 扩散加权图像 (DWI) 在各种b值 (0-4000s/mm2) 和切片厚度 (1.5,3.0mm) 获得.
- 用DLR和不使用DLR重建图像;生成ADC地图并分析SNR,准确性,精度和主体内变化系数 (wCV).
主要成果:
- 在b值高达2000s/mm2时,DLR显著改善了信号噪声比 (SNR),在4000s/mm2时效果减弱.
- 在DLR和常规重建之间没有观察到ADC值的显著差异.
- DLR提高了ADC测量的精度和可重复性 (wCV),特别是在更高的b值和更薄的切片上.
结论:
- 深度学习重建 (DLR) 在基于MRI的ADC量化中提高了SNR和测量精度.
- DLR并没有提高ADC值的准确性,在特定配置中,ADC值仍然低于真值.
- 在扩散MRI研究中,DLR显示出提高ADC测量的可靠性.
