通过卷积神经网络进行虚拟T2加权脂肪和乳房MRI图像的可行性
Andrzej Liebert1, Dominique Hadler2, Chris Ehring2
1Institute of Radiology, Universitätsklinikum Erlangen, Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Erlangen, Germany. andrzej.liebert@uk-erlangen.de.
European radiology experimental
|May 2, 2025
概括
一个2D-U-Net模型可以生成虚拟的T2w-FS乳房MRI图像,可能减少扫描时间. 然而,图像模糊限制了当前的临床使用,需要进一步的研究以改进.
科学领域:
- 医疗成像中的人工智能
- 放射学和医学成像学 医学成像学
背景情况:
- 乳腺MRI协议通常包括T2加权脂肪和 (T2w-FS) 序列,对于组织表征至关重要,但会增加扫描时间.
- 开发更快的MRI技术对于提高患者的吞吐量和舒适性至关重要.
研究的目的:
- 评估2D-U-Net神经网络在从标准的多参数乳腺MRI序列生成虚拟T2w-FS (VirtuT2w) 图像中的有效性.
- 与原始T2w-FS图像相比,评估人工智能生成的VirtuT2w图像的数量和质量性能.
主要方法:
- 一项回顾性研究使用了914次乳腺MRI检查,分为培训,验证和测试集.
- 一个2D-U-Net模型使用T1加权,扩散加权和动态对比增强序列进行训练,以生成VirtuT2w图像.
- 两个放射科医生的定量指标和定性评估评估了图像质量和诊断性能.
主要成果:
- 在使用所有可用的输入数据进行训练时,2D-U-Net模型实现了最佳的定量指标.
- VirtuT2w 图像显示显著的模糊,由定量分析和定性读数证实.
- 放射科医生在识别VirtuT2w图像方面取得了很高的准确性 (≥96%),对瘤检测有适度的同意.
结论:
- 2D-U-Net成功生成了与真实相似的虚拟T2w-FS图像,但图像模糊仍然是一个重要的限制.
- 需要进一步研究涉及不同的架构和更大的数据集,以提高临床适用性.
- 虽然VirtuT2w产品可以缩短乳房MRI时间,但在临床采用之前,需要提高质量.
