深度学习重建的薄片单口气保持HASTE用于检测胰腺病变的可行性:与两种传统的T2加权成像序列进行比较

科学领域:

• 放射学 放射学是指放射学
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 胰腺病变需要准确有效的检测,以便及时诊断和治疗.
• 传统的T2加权成像序列可能是耗时的,容易出现文物.

研究的目的:

• 为了评估深度学习重建加速半里叶单射轮旋回回声成像 (HASTE) 的临床可行性,用于胰腺病变检测.
• 为了将HASTE_DL与传统的压缩感应HASTE (HASTE_CS) 和BLADE序列进行比较.

主要方法:

• 这是一项追溯性研究,涉及63名疑似胰腺疾病的患者.
• 基于获取时间,损伤显著性,运动工件,图像质量,SNR和CNR的HASTE_DL,HASTE_CS和BLADE序列的比较.
• 由两个独立读者的评价.

主要成果:

• HASTE_DL和HASTE_CS的采集时间比BLADE (102秒) 短得多 (16秒).
• 与HASTE_CS和BLADE.com相比,HASTE_DL在病变显著性,减少运动工件,改善主要胰腺管道显著性和整体图像质量方面表现出明显更高的得分.
• 定量分析显示,HASTE_DL的胰腺病变的SNR和CNR显著更高.

结论:

• 深度学习重建了HASTE,使得薄片,单一的喘息获取用于胰腺损伤检测.
• HASTE_DL提供了临床上可接受的图像质量,优于传统的T2WI序列 (HASTE_CS和BLADE).