在炎症性骨髓病症中增强损伤检测:深度学习重建的双反转恢复MRI方法

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:

• 磁共振成像 (MRI) 对于检测炎症性骨髓病变中的病变至关重要.
• 深度学习 (DL) 重建对这些条件的3D双反转恢复 (DIR) 成像的影响尚不清楚.

研究的目的:

• 为了比较深度学习重建的DIR (DIR_DL) 与标准的DIR和常规的T2WI用于炎症性骨髓病变.
• 该研究评估了采集时间,图像质量,诊断信心和病变检测.

主要方法:

• 一项观察性研究包括149名患有炎症性骨髓病变的患者.
• 获取的图像包括斜视T2WI,标准3D DIR和加速的DIR.
• 神经放射学家使用利克尔特尺度评估图像质量,SNR,文物和诊断信心.

主要成果:

• 与标准DIR相比,DIR_DL减少了49%的采集时间 (151s vs 298s).
• DIR_DL显示出优越的整体图像质量,感知到的SNR和减少的文物 (P <.001).
• 与T2WI相比,DIR_DL检测到的病变数量比T2WI多37% (300 vs 219; P <.001),诊断信心没有显著差异.

结论:

• 对于3D DIR的深度学习重建显著缩短了扫描时间,并提高了炎症性骨髓病的图像质量.
• 与T2WI相比,DIR_DL可以改善病变检测,这在临床实践中非常有价值.
• DIR_DL显示了将其纳入未来炎症性骨髓病的成像指南的潜力.