在子宫内膜癌中使用单次回声平面成像进行扩散权重成像的深度学习重建:与多次回声平面成像进行比较
Taewoo Heo1, Nam Kyung Lee2, Suk Kim1
1Department of Radiology, and Biomedical Research Institute, Pusan National University Hospital, Pusan National University School of Medicine, Busan, Republic of Korea.
Abdominal radiology (New York)
|April 18, 2025
概括
深度学习重建 (DLR) 增强了子宫内膜癌的扩散加权成像 (DWI),提供与多重敏感编码 (MUSE) DWI相比的图像质量. 这种先进的技术提供了同等的诊断性能与潜在的更短的扫描时间.
科学领域:
- 医疗成像医学成像
- 在瘤学瘤学.
- 人工智能的人工智能
背景情况:
- 扩散权重成像 (DWI) 对于评估子宫内膜癌至关重要.
- 单拍回声平面成像 (SSEPI) 是一种常见的DWI技术,但可能受到文物和图像质量的限制.
- 多重感应编码 (MUSE) DWI 提高了图像质量,但往往需要更长的扫描时间.
研究的目的:
- 评估深度学习重建 (DLR) 对SSEPI-DWI在子宫内膜癌的疗效.
- 将DLR增强的SSEPI (SSEPI-DL) 与传统的SSEPI (SSEPI-C) 和MUSE DWI进行比较.
主要方法:
- 对31名经子宫内膜癌患者的回顾性审查,这些患者接受了带有DWI的盆腔MRI.
- 对图像质量,文物,边缘度和损伤明显性的定性评估.
- 对明显扩散系数 (ADC) 值,噪声,信号与噪声比 (SNR) 和对比与噪声比 (CNR) 的定量分析.
- 在SSEPI-C,SSEPI-DL和MUSE之间对深层肌肉膜侵袭的诊断准确度的比较.
主要成果:
- 与SSEPI-C相比,SSEPI-DL显著改善了整体图像质量,子宫边缘的清晰度和病变的明显性 (p < 0.001).
- 对于SSEPI-DL的图像质量指标与MUSE DWI可比 (p > 0.05).
- 与SSEPI-C相比,SSEPI-DL显示噪声降低,SNR和CNR优于SSEPI-C (p < 0.001),结果与MUSE (p > 0.05) 相似.
- 在三个DWI技术 (p > 0.05) 中,深度肌肉膜侵袭的诊断准确性没有显著差异.
结论:
- 深度学习重建显著改善DWI图像质量在子宫内膜癌.
- SSEPI-DL提供与MUSE DWI.相当的图像质量.
- SSEPI-DL为女性盆腔MRI提供了MUSE的可行替代方案,可能减少扫描时间.
