通过深度学习和几何图像组合重建,改善了 lumbosacral plexus 的 3D DESS MR 神经图形

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 神经成像是一种神经成像.

背景情况:

• 腰部神经 (LSP) 磁共振神经图 (MRN) 对于诊断神经疾病至关重要.
• 深度学习 (DL) 提供了提高MRN图像质量和神经明显性的潜力.
• 现有的DESS序列在可视化精细神经结构方面可能存在局限性.

研究的目的:

• 通过使用DESS序列,评估DL重建在改善LSPMRN中图像质量和神经明显性的有效性.
• 引入和评估用于DESS信号增强的新型几何图像组合 (GIC) 方法.
• 将DL增强的DESS序列与传统的STIR-T2w序列进行比较.

主要方法:

• 预期招募接受3.0特斯拉LSPMRN与DESS序列的成年患者.
• 使用标准,DL和DL-GIC方法重建3D DESS回声.
• 在一组患者中获取3DT2加权的短tau逆转恢复 (STIR-T2w) 序列.
• 放射科医生对信号与噪声比率 (SNR) 和对比率进行定性评估和定量测量.

主要成果:

• DL-GIC重建显示出优越的相对SNR (p<0.001).
• DL重建 (DESS S2 DL) 显示神经与背景对比度优越 (p<0.002).
• 与其他方法相比,DL-GIC改善了较小的远端神经段的可视化.
• DESS序列提供了比STIR-T2w DL更好的血管抑制和带架构描绘,尽管有更多的散装运动.

结论:

• DL重建,特别是GIC,增强了LSPMRN中的神经明显性.
• DL-GIC 方法对改善较小神经分支的可视化有很大的希望.
• 这种方法提升了基于DESS的MRN对腰部神经的诊断能力.