优化部MRI:通过使用深度学习驱动的重建来提高图像质量和提高观察者之间的一致性

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:

• 传统的关节MRI扫描耗时,影响患者的舒适性和临床工作流程.
• 以前的加速成像方法往往会损害图像质量 (噪音与分辨率).
• 基于深度学习的重建 (DLR) 提供了一个潜在的解决方案,可以在不牺牲图像质量的情况下减少扫描时间.

研究的目的:

• 评估基于深度学习的MRI (DL-MRI) 对关节成像的疗效.
• 为了比较DL-MRI的图像质量,扫描持续时间和诊断性能,与传统和非DL MRI技术进行比较.
• 评估DL-MRI在优化临床效率和患者吞吐量方面的潜力.

主要方法:

• 一组60名患者接受了DL-MRI,常规MRI和无DLMRI.
• 使用扫描持续时间,整体质量评级,相对信号噪声比 (rSNR),相对对比噪声比 (rCNR) 和诊断疗效来评估图像质量.
• 放射科医生独立对图像质量进行了5分级评分,使用加权卡帕统计数据分析了观察者间的协议.
• 使用威尔科克森签名的等级测试进行了统计比较.

主要成果:

• 通过DL-MRI实现了显著的扫描时间缩短 (约1. 这一比例为66.5%).
• 与传统和无DLMRI相比,DL-MRI显示出更高的图像质量 (冠状和轴心T2WI) (p < 0.01).
• 定量指标 (rSNR,rCNR) 显示DL-MRI显著改善,特别是在脂肪和T2WI序列 (p <0.01).
• DL-MRI的诊断性能与传统的MRI相美.

结论:

• 基于深度学习的重建显示了加速部MRI获取的显著前景.
• DL-MRI提高了图像清晰度,并保持了与传统方法相比的诊断效果.
• 将DL-MRI整合到临床工作流程中可以提高患者的吞吐量和诊断效率.