深度学习重建用于改善儿科腹部MRI的图像质量,使用3D T1快速破坏的梯度回声采集
Evan J Zucker1,2, Eugene Milshteyn3, Fedel A Machado-Rivas4,5
1Department of Radiology, Massachusetts General Hospital and Harvard Medical School, 55 Fruit Street, Boston, MA, 02114, United States. zucker@post.harvard.edu.
Pediatric radiology
|July 18, 2025
概括
深度学习 (DL) 重建显著改善了儿童的腹部MRI图像质量,显示出更高的得分和放射科医生对传统方法的偏好. 这一进步提高了儿科患者的诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 儿科放射学 儿科放射学
背景情况:
- 深度学习 (DL) 显示了增强成人腹部MRI质量的前景.
- 有限的研究存在于儿童腹部MRI的DL应用.
研究的目的:
- 为了比较儿科腹部MRI的图像质量,使用传统与基于DL的重建.
- 对3D快速破坏梯度回声 (SPGR) 采集的标准重建进行DL算法的原型评估.
主要方法:
- 在儿科患者 (<18岁) 腹部MRI的回顾性分析.
- 传统重建与使用75%降噪设置的原型DL算法 (AIRTM Recon DL) 的比较.
- 放射科医生对图像质量 (利克尔特尺度),偏好,SNR和边缘分析进行评分;进行统计比较.
主要成果:
- 在评估的结构中,DL重建产生了显著更高的图像质量得分 (P < 0.001).
- 放射科医生绝大多数人更喜欢DL重建 (32-37/38例,P<0.001).
- DL提高了SNR的2.3倍,并减少了3.9%的边缘数 (P < 0.001).
结论:
- 原型DL重建比传统的方法更好,用于儿科腹部MRI.
- 在儿科腹部成像中,DL显著提高图像质量和SNR.
- 这项技术为儿科患者提供了更好的诊断潜力.
