运动补偿多拍摄的胰腺扩散权衡成像与基于深度学习的剥离
Kang Wang1, Matthew J Middione, Andreas M Loening
1From the Department of Radiology, Stanford University, Stanford, CA (K.W., M.J.M., A.M.L., A.B.S., A.J.H., D.B.E., R.L.B.); Department of Radiology and Biomedical Imaging, University of California, San Francisco, San Francisco, CA (K.W.); GE HealthCare, Houston, TX (X.W.); GE HealthCare, Boston, MA (A.G.); and GE HealthCare, Menlo Park, CA (P.L.).
Investigative radiology
|January 17, 2025
概括
新的运动补偿扩散编码梯度 (MCGs) 和深度学习 (DL) 显著改善多镜头胰腺扩散加权成像 (msDWI),减少人工物和定量错误,使胰腺MRI更可靠.
科学领域:
- 磁共振成像 (MRI) 是一种磁共振成像技术.
- 医疗成像医学成像
- 放射学 放射学是一门学科.
背景情况:
- 传统的一次性胰腺扩散权重成像 (DWI) 存在扭曲和模糊等缺陷.
- 运动工件导致定量错误和信号损失,限制了胰腺DWI的临床实用性.
- 多射击DWI (msDWI) 减少了扭曲,但对运动敏感;运动补偿扩散编码梯度 (MCGs) 可以帮助但增加回声时间和减少信号.
研究的目的:
- 通过凸优化扩散编码 (CODE) 生成的MCG与基于深度学习 (DL) 的denoising相结合,以改善胰腺 msDWI.
- 假设这种结合方法将在质量和数量上增强胰腺的MSDWI.
主要方法:
- 一项前性研究包括22名患者,他们在3.0 T扫描仪上接受腹部MRI.
- 两次旋转回声回声平面DWI是在使用和不使用CODE生成的MCG (M0和M1) 进行的.
- 对M1图像 (M1 + DL) 进行了DL-based denoising;ADC地图由放射科医生重建并进行比较.
主要成果:
- 对于运动工件和信号均性,M1显著优于M0.
- 与M0.0相比,基于DL的无声化 (M1 + DL) 显著改善了感知噪声.
- 由CODE生成的运动校正 (M1和M1 + DL) 导致胰腺中均的ADC值,而不是M0.0.
结论:
- 代码生成的MCG可以改善多次胰腺DWI,消除ADC变异并增强读者解释.
- 基于DL的无声化减轻了来自运动补偿的信号损失,同时保持了ADC的一致性.
- 整合CODE和DL拒绝显示出有可能提高多射击胰腺DWI的准确性和可靠性.
