加速高分辨率T1和T2权重的乳房MRI与深度学习超分辨率重建
Narine Mesropyan1, Christoph Katemann2, Claudia Leutner1
1Department of Diagnostic and Interventional Radiology, University Hospital Bonn, Venusberg-Campus 1, 53127 Bonn, Germany (N.M., C.L., A.S., A.I., T.D., L.B., D.K., C.C.P., A.L., J.A.L.).
Academic radiology
|January 10, 2025
概括
深度学习 (DL) 通过减少T1加权 (T1w) 和T2加权 (T2w) 序列的扫描时间,显著提高了乳房MRI. 这种先进的成像技术提高了图像质量和诊断准确度,有利于患者的护理.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 量化MRI是指数量化的MRI.
背景情况:
- 乳房MRI对于诊断和分期至关重要.
- 标准的MRI测序可能会耗费大量时间.
- 深度学习为图像重建和加速提供了潜力.
研究的目的:
- 评估行业开发的深度学习 (DL) 算法,用于重建低分辨率的T1加权 (T1w) 和T2加权 (T2w) 乳腺MRI序列.
- 为了比较DL重建序列与标准分辨率序列的性能.
主要方法:
- 对女性患者进行1.5特斯拉的乳房MRI进行前性研究.
- 获取标准 (T1S,T2S) 和低分辨率DL重建 (T1DL,T2DL) 的序列.
- 在DL重建中使用了Adaptive-CS-Net进行无声化和Precise-Image-Net进行升级.
- 图像质量通过利克特尺度,明显信号与噪声 (aSNR) 和对比与噪声 (aCNR) 的比率进行评估.
- 评估了乳腺成像报告和数据系统 (BI-RADS) 协议.
主要成果:
- 获取时间减少了T1DL的51%和T2DL的46%.
- DL序列显示整体图像质量显著提高 (利克尔特尺度5比4,P<0.001).
- 与标准序列相比,T1DL和T2DL表现出改善的aSNR和aCNR.
- 在 BI-RADS 对序列类型的评估中达成了很好的一致性 (科恩的k=0.962,P<0.001).
结论:
- 深度学习重建有效地减少了乳房MRI采集时间.
- DL算法提高了图像质量,aSNR和aCNR的T1w和T2w序列.
- 基于DL的乳房MRI保持了高诊断性能和BI-RADS协议.


