新兴的基于深度学习的MR图像重建算法的对腹部MRI放射性特征的影响

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:

• 放射性特征是从医学图像中获得的定量成像生物标志物.
• 基于深度学习 (DL) 的重建技术正在出现,以更快地获得MRI.
• DL重建对放射性特征的影响尚未完全理解.

研究的目的:

• 评估基于DL的MRI重建技术对放射性特征的影响.
• 将DL重建 (SmartSpeed和SmartSpeed-SuperRes) 与传统重建 (C-SENSE) 进行比较.
• 评估这种影响在不同器官和组织中的变异性.

主要方法:

• 来自17名受试者的潜在采集低样本T2加权腹部MRI图像.
• 使用传统的C-SENSE和基于DL的SmartSpeed和SmartSpeed-SuperRes.Res进行重建.
• 从8个感兴趣区域 (ROI) 提取86个放射性特征.
• 在重建方法之间计算皮尔森相关系数 (PCC) 和类内相关系数 (ICC).
• 通过ANOVA分析评估器官/组织特异性影响.

主要成果:

• 与C-SENSE相比,SmartSpeed重建显示了50/86特征的高相关性 (PCC ≥0.8) 和58/86特征的高一致性 (ICC ≥0.75).
• 与C-SENSE相比,SmartSpeed-SuperRes的相关性 (15/86特征) 和一致性 (9/86特征) 显著较低.
• 肌肌肉受到SmartSpeed的影响最大;肝脏受到SmartSpeed-SuperRes的影响最大.
• ANOVA证实DL重建影响在器官/组织之间有显著的变化 (P < 0.001).

结论:

• 与传统技术相比,基于深度学习的MRI重建显著改变了放射性特征.
• 变化的程度因特定的DL算法和所检查的器官/组织而异.
• 需要进一步的研究,以了解这些变化对放射学应用的临床影响.