基于深度学习的超分辨率和消除噪音的算法提高了扩散性质瘤中动态对比增强MRI的可靠性
Junhyeok Lee1, Woojin Jung2, Seungwook Yang2
1Interdisciplinary Program in Cancer Biology, Seoul National University College of Medicine, Seoul, 03080, Republic of Korea.
Scientific reports
|October 25, 2024
概括
深度学习超分辨率和无声化 (DLSD) 显著改善了扩散质瘤患者的动态对比增强MRI (DCE-MRI). 这种增强的成像提供了更好的信号质量和血脑屏障泄漏的诊断准确性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 动态对比增强型MRI (DCE-MRI) 对于评估脑瘤中血脑屏障 (BBB) 泄漏至关重要.
- DCE-MRI的临床应用受到图像噪声和部分体积工件的限制.
- 扩散性质瘤在神经瘤学中是一个重大挑战,需要精确的成像生物标志物.
研究的目的:
- 评估基于深度学习的超分辨率和无声化 (DLSD) 在提高扩散质瘤患者的DCE-MRI质量的有效性.
- 为了比较DLSD增强DCE-MRI (DL-DCE) 与标准DCE-MRI (std-DCE) 的诊断性能和可靠性.
- 评估DLSD对定量药动力学参数和动脉输入功能的 (AIF) 估计的影响.
主要方法:
- 对306名患有扩散性质瘤的成年患者的DCE-MRI数据进行了回顾性分析.
- 应用基于深度学习的超分辨率和消除噪音 (DLSD) 技术对std-DCE图像.
- 在DL-DCE和std-DCE之间进行信号与噪声比率 (SNR),对比度与噪声比率 (CNR) 和药物动力学参数的定量比较.
- 诊断性能的评估使用接收器操作特征曲线 (AUROC) 下的面积用于WHO等级差异化.
- 使用类内相关系数 (ICC) 对时间到峰值等参数对AIF可靠性的评估.
主要成果:
- 与std-DCE (P < 0.001) 相比,DL-DCE的SNR (52.09对27.21) 和CNR (9.40对4.71) 显著高于std-DCE (P < 0.001).与std-DCE相比,DL-DCE的SNR (52.09对27.21) 和CNR (9.40对4.71) 显著更高.
- DL-DCE改善了基于药理动力学参数Ktrans (AUC,0.88对0.83;P = 0.02) 的质瘤WHO等级的差异化.
- 与其他AIF参数相比,来自DL-DCE的Ktrans参数显示出更高的一致性和可靠性 (时间到峰值ICC,0.79比0.43;P<0.001).
结论:
- DLSD技术大大提高了扩散性质瘤中DCE-MRI的图像质量 (SNR,CNR) 和可靠性.
- 通过使用定量DCE-MRI参数来区分质瘤等级,DLSD可以保持或提高诊断性能.
- 用DLSD增强的DCE-MRI代表了在神经瘤学中对BBB完整性的非侵入性评估的有希望的进步.
