深度学习重建了T2加权的脊椎迪克森成像:对采集时间和图像质量的影响

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 磁共振成像 (MRI) 是一种磁共振成像技术.

背景情况:

• 标准T2迪克森序列对于脊柱MRI至关重要,但可能耗时.
• 深度学习为加速MRI采集和提高图像质量提供了潜力.

研究的目的:

• 评估基于深度学习的新型T2迪克逊序列 (T2_DL) 脊柱MRI的图像质量和采集时间.
• 在图像特征和诊断信心方面,将T2_DL序列与标准T2迪克逊序列 (T2_std) 进行比较.

主要方法:

• 对44名患者进行前性研究,这些患者在1.5-T和3-T扫描仪上接受腰部MRI.
• 在MRI协议中包括标准T2 Dixon (T2_std) 和深度学习T2 Dixon (T2_DL) 序列.
• 由两位经验丰富的读者使用5分利克特尺度进行图像质量评估,分析清晰度,噪音,文物和诊断信心.

主要成果:

• 与T2_std (p < 0.01) 相比,T2_DL的获取时间在1.5-T时显著减少了60.4%,在3-T时显著减少了66.5% (p < 0.01).
• 在T2_DL和T2_std之间,整体图像质量是可比的 (p = 0.57).
• T2_DL显示噪声显著降低 (p < 0.001) 和度增加 (p < 0.001),尽管带纹文物略有增加 (p < 0.001). 诊断信心没有受到影响.

结论:

• 基于深度学习的T2迪克森序列 (T2_DL) 是可行的脊柱MRI.
• T2_DL提供与标准T2迪克森序列相提并论的图像质量,同时大幅缩短扫描时间.
• 这一进步有望提高临床实践中MRI工作流程的效率.