深度学习图像增强用于在零TEMR成像中对关节骨关节炎的自信诊断

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 磁共振成像 (MRI) 是一种磁共振成像技术.

背景情况:

• 零回声时间MRI (ZTE-MRI) 提供了骨成像的潜力,但受噪声和文物限制.
• 深度学习技术在改善MRI图像质量方面表现有前途.
• 增强的ZTE-MRI用于关节 (TMJ) 评估的临床适用性需要与已建立的方法 (如形光束CT (CBCT)) 相比进行评估.

研究的目的:

• 在ZTE-MRI中评估一种深度学习方法来消除和减少文物 (AR).
• 通过将其诊断性能与TMJ成像中的CBCT进行比较,评估增强的ZTE-MRI的临床适用性.

主要方法:

• 收集了30名患者的常规和扫描时间缩短的ZTE-MRI数据.
• 应用了深度学习技术来生成无色和AR ZTE-MRI图像.
• 图像质量 (SNR,定性分级) 和骨关节炎的诊断准确性与CBCT相比较.

主要成果:

• 与常规的ZTE-MRI相比,denoised和AR协议都显著改善了SNR.
• 该AR协议显示出优越的SNR和定性图像质量.
• 骨关节炎的诊断准确性与CBCT在denoised (κ = 0.928) 和AR (κ = 0.929) 图像上表现出极好的一致性,显著优于常规ZTE-MRI (κ = 0.707).

结论:

• 一种新的深度学习技术有效地消除和减少ZTE-MRI中的工件,提高临床效用.
• 该AR协议显著提高了ZTE-MRI图像质量,并提供了与关节骨成像的CBCT相比的诊断准确性.
• 这种深度学习方法有可能克服ZTE-MRI当前的局限性,使其能够被用作CBCT替代TMJ评估.