全身扩散MR图像的图像质量比较深度学习加速和传统序列
Andrea Ponsiglione1, Will McGuire2, Giuseppe Petralia3,4
1Department of Advanced Biomedical Sciences, University of Naples Federico II, Naples, Italy.
European radiology
|July 3, 2024
概括
深度学习加速全身扩散序列显著提高图像质量,减少骨髓癌患者的扫描时间. 放射科医生更喜欢这些先进的序列,注意到更少的文物和更好的病变可见性.
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:
- 全身MRI (WB-MRI) 对于诊断骨髓癌的阶段非常有价值.
- 传统的扩散权重成像 (DWI) 序列是耗时的.
- 深度学习重建为加速成像提供了潜力.
研究的目的:
- 为了比较深度学习加速 (DRB) 和传统WB-DWI序列之间的图像质量.
- 评估DRB对图像指标和诊断信心的影响.
- 评估DRB用于骨髓癌评估的可行性.
主要方法:
- 50名患有骨髓癌的患者接受了WB-MRI,使用DRB加速和传统DWI序列.
- 两名专家放射科医生使用利克特尺度对图像噪声,文物,脂肪抑制和病变明显性进行了定性评估.
- 定量分析包括信号与噪声比 (SNR),对比与噪声比 (CNR) 和明显扩散系数 (ADC) 的值.
主要成果:
- 放射科医生在近80%的病例中更喜欢DRB序列,特别是在BMI较高的患者中.
- DRB序列在正常组织和癌症病变中显示出显著更高的SNR.
- 使用DRB (6:42分钟与14分钟相比) 的获取时间减少了50%以上.
结论:
- 深度学习重建 (DRB) 显著提高了WB-DWI质量,改善了图像指标并减少了扫描时间.
- DRB有助于改善病变的明显性和诊断偏好,可能增加骨髓癌的WB-MRI采用.
- 虽然正常组织中的ADC值有所不同,但癌症病变的扩散性与传统序列相比仍然相当.
