通过基于模型的深度学习重建,提高前列腺癌患者前列腺扩散权重成像的图像质量

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:

• 前列腺扩散加权成像 (DWI) 对于诊断前列腺癌 (PCa) 至关重要.
• 传统的并行成像 (PI-DWI) 在图像质量方面存在局限性.
• 深度学习重建 (DL-DWI) 提供了改善DWI的潜力.

研究的目的:

• 评估基于模型的深度学习重建对于前列腺DWI的实用性.
• 为了比较前列腺癌患者的DL-DWI与PI-DWI的图像质量.

主要方法:

• 对32名确诊前列腺癌病变 (≥10毫米) 的患者进行了回顾性研究.
• 对DL-DWI和PI-DWI技术进行比较.
• 定性评估 (整体,前列腺,病变明显性) 和定量分析 (SNR,CNR,ADC).

主要成果:

• 与PI-DWI (p<0.0001) 相比,DL-DWI在所有参数上显示出显著更高的定性得分.
• 定量分析显示,DL-DWI的SNR和CNR显著更高 (p<0.0001).
• 在前列腺组织和DL-DWI病变中观察到明显更高的明显扩散系数 (ADC) 值 (p<0.0001,p=0.0014).

结论:

• 基于模型的DL重建大大提高了前列腺DWI的定性和定量方面.
• 在前列腺成像中,DL-DWI显示出比PI-DWI更高的性能.
• 未来的研究应该将DL-DWI与其他基于DL的重建方法进行比较.