从T2加权MRI预测ADC地图质量:用于早期质量评估的深度学习方法,以协助护理点的质量评估

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 前列腺癌的诊断方法 前列腺癌的诊断方法

背景情况:

• 前列腺MRI质量对于准确的癌症诊断至关重要.
• 扩散加权成像 (DWI) 和明显扩散系数 (ADC) 地图特别容易出现图像质量问题.
• 目前确保ADC地图质量的方法不一致.

研究的目的:

• 开发一种深度学习模型,仅使用T2加权 (T2W) 图像来预测低质量的ADC地图.
• 在MRI采集过程中实现实时校正干预.
• 通过提高图像质量,提高前列腺癌诊断的可靠性.

主要方法:

• 分析了486名患者的T2W图像和ADC地图的多站点数据集.
• 训练了一个神经网络,根据T2W图像对ADC地图质量进行分类 (诊断与非诊断).
• 直肠截面面积被评估为扭曲的可解释度量.

主要成果:

• 神经网络在多中心验证中实现了ADC地图质量预测83%的灵敏度和90%的负预测值.
• 该模型对未见过的数据进行了很好的概括,显示了94%的准确性.
• 直肠截面面积与ADC质量相关 (AUC = 0.65).

结论:

• 深度学习方法可以在成像过程的早期可靠地预测低质量的ADC地图的可能性.
• 这种预测能够及时采取纠正措施,提高前列腺MRI的诊断效用.
• 该方法为前列腺癌评估中一致,高质量的ADC地图生成提供了有希望的解决方案.