低样本MRI的基于深度学习的重建,以减少扫描时间:一个多中心,回顾性,队列研究

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:

• 延长的MRI采集时间限制了其在资源有限的环境中使用.
• 通过k空间低样本加速MRI是一个关键的挑战.
• 开发高效的MRI重建技术对于更广泛的临床应用至关重要.

研究的目的:

• 开发和评估用于MRI重建的深 convolutional 神经网络 (dCNN).
• 通过重建高度低采样k空间数据的图像来减少MRI扫描时间.
• 评估加速MRI对图像质量和瘤成像生物标志物准确性的影响.

主要方法:

• 一个回顾性多中心队列研究,使用来自质母细胞瘤患者的MRI数据.
• 开发和测试dCNN用于从单线圈k空间数据中重建MRI,加速率高达R=15.
• 在使用图像质量指标 (SSIM) 和生物标志物准确性评估的独立数据集 (EORTC-26101,快速MRI大脑) 上进行验证.

主要成果:

• 低样本dCNN重建的MRI与原始MRI具有很高的相似性 (R=10的SSIM中位数为0.92).
• 精确评估瘤负担和治疗响应生物标志物,使用10倍加速的MRI.
• 与原始MRI相比,患者结局的进展时间 (4.27个月) 和高一致率 (95.2%) 的中位数相同.

结论:

• 基于深度学习的MRI重建大大减少了扫描时间,并具有出色的图像质量.
• 保持瘤成像生物标志物的准确性支持加速MRI治疗反应评估.
• dCNN方法的开源可用性有望增加MRI可访问性,等待未来的验证.