深度学习图像重建的扩散加权成像在评估前列腺癌,专注于其临床影响的评估
Juhyun Jeong1, Suk Keu Yeom1, In Young Choi1
1Department of Radiology, Korea University Ansan Hospital, Ansan-si, Gyeonggi-do, South Korea.
Quantitative imaging in medicine and surgery
|May 9, 2024
概括
深度学习重建 (DLR) 提高了前列腺癌 (PCa) 评估的扩散加权成像 (DWI) 质量. 这提高了前列腺成像报告和数据系统 (PI-RADS) 的得分准确度,并可以减少扫描时间.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 前列腺癌 (PCa) 诊断越来越依赖于对活检向和临床意义评估的成像.
- 前列腺成像报告和数据系统 (PI-RADS) 评分至关重要,严重依赖于T2加权和扩散加权成像 (DWI).
- 评估深度学习重建 (DLR) 对DWI质量和PI-RADS评估的影响至关重要.
研究的目的:
- 确定深度学习重建 (DLR) 是否可以提高前列腺癌 (PCa) 患者的DWI图像质量.
- 评估改善DWI质量对PI-RADSPCa评分的影响.
- 用DLR评估MRI采集时间的潜在减少.
主要方法:
- 从70名PCa患者的3.0T前列腺MRI的回顾性分析.
- 使用和不使用DLR重建DWI数据集,包括加速因子和b值的变化.
- 对信号与噪声比 (SNR) 和对比与噪声比 (CNR) 的定量分析,以及对图像质量和损伤明显性的定性评估.
- PI-RADS v2.1评分由两个独立评审人进行评分.
主要成果:
- 与传统的DWI (CDWI) 相比,DLR显著改善了病变的明显性,并增加了SNR和CNR.
- PI-RADS v2.1 评分显示,与DLR重建图像 (DL1) 与CDWI相比,与DLR重建图像 (DL1) 之间的读者间协议得到了改善.
- 有相当数量的病变被升级到PI-RADS ≥4与DLR,表明了改善临床意义疾病检测的潜力.
- 使用DLR技术 (DL2,DL3) 的获取时间缩短了高达23%.
结论:
- 深度学习重建 (DLR) 为提高前列腺癌成像中的DWI质量提供了一种有价值的方法.
- DLR提高了PI-RADS评估准确性,并且可以在不影响图像质量的情况下显著减少MRI扫描时间.
- 这些发现表明DLR是优化前列腺癌诊断工作流程的有希望的工具.
