深度学习模拟对比增强的MRI用于评估怀疑的前列腺癌
Hongyan Huang1, Junyang Mo1, Zhiguang Ding1
1From the Department of Radiology, Shenzhen Nanshan People's Hospital, Shenzhen University, Taoyuan Rd No. 89, Nanshan District, Shenzhen 518000, Guangdong, China (H.H., Z.D., Y.Q.); Medical AI Laboratory and Guangdong Key Laboratory of Biomedical Measurements and Ultrasound Imaging, School of Biomedical Engineering, Shenzhen University Medical School, Shenzhen University, Shenzhen, China (J.M., R.L., B.H.); Department of Medical Imaging, People's Hospital of Longhua, Shenzhen, Guangdong, China (X.P., Y.Z.); and Department of Radiology, Shenzhen People's Hospital, Shenzhen, Guangdong, China (D.Z., G.H.).
深度学习可以从非对比扫描中创建模拟的对比增强前列腺MRI,为减少对比剂风险提供一个可行的替代方案. 这种人工智能生成的成像显示了与真实扫描的高度相似性,并帮助使用PI-RADS得分准确评估前列腺癌风险.
科学领域:
- 医疗成像中的人工智能
- 放射学和诊断成像 放射学和诊断成像
- 瘤学和癌症诊断 癌症诊断
背景情况:
- 多参数MRI (mpMRI) 是疑似前列腺癌的标准,但对比剂存在风险.
- 对于对比剂的积累和患者潜在的毒性存在担忧.
- 需要使用其他成像方法来减轻与对比相关的风险.
研究的目的:
- 评估使用深度学习从非对比序列生成模拟对比增强MRI的可行性.
- 通过PI-RADS v2.1.1,评估模拟增强对比度MRI对前列腺癌评估的有用性.
- 探索减少前列腺MRI中对比剂使用的潜力.
主要方法:
- 对567名怀疑患有前列腺癌的男性患者进行了回顾性研究,这些患者接受了mpMRI.
- 深度学习 (pix2pix算法) 训练了从T1w,T2w,DWI和ADC地图中合成对比增强的MRI.
- 放射科医生使用PI-RADS v2.1独立评分图像;与科恩 κ.评估的协议.
主要成果:
- 模拟和获得的对比增强图像显示出高度相似性 (MS-SSIM:0.690.82).
- 在模拟和获得的CE-MRI之间,PI-RADS分数 (科恩 κ = 0.96) 的优秀读者间一致性.
- 将模拟的CE-MRI添加到PI-RADS 4.对两参数MRI病例的10.5%进行了升级.
结论:
- 可用深度学习生成模拟的对比增强前列腺MRI.
- 模拟的CE-MRI显示出与PI-RADS评分的获得CE-MRI具有很高的相似性和很好的一致性.
- 基于深度学习的模拟CE-MRI是评估临床显著前列腺癌的有希望的工具.
