相关实验视频
Updated: Sep 13, 2025
08:51
Magnetic Resonance Imaging of Multiple Sclerosis at 7.0 Tesla
Published on: February 19, 2021
9.2K
一项试点研究评估了基于深度学习重建的3D回声平面成像的定量敏感性映射在多发性硬化症的临床实用性
Dimitrios G Gkotsoulias1,2,3, Matthias Weigel1,2,3,4, Alessandro Cagol1,2,3,5
1Translational Imaging in Neurology (ThINk) Basel, Department of Medicine and Biomedical Engineering, University Hospital Basel and University of Basel, Basel, Switzerland.
Frontiers in neuroscience
|July 31, 2025
概括
深度学习重建 (DLR) 显著改善了多发性硬化症 (MS) 患者的定量敏感度映射 (QSM) 质量. 这种技术提高了MS生物标志物的识别和图像质量,为临床实用提供了有前途的进展.
科学领域:
- 神经成像是一种神经成像.
- 定量敏感性测绘 (QSM) 是一种测绘方法.
- 医学成像中的深度学习
背景情况:
- 定量敏感性映射 (QSM) 是多发性硬化症 (MS) 研究的一个有价值的工具.
- 传统的3D回声平面成像 (3DEPI) 衍生QSM的重建 (CR) 可能受到噪声的限制,特别是在快速协议中.
- 深度学习辅助重建 (DLR) 为MS中QSM的图像质量和临床实用性提供了潜在的改进.
研究的目的:
- 评估深度学习辅助重建 (DLR) 技术在3T时改善多发性硬化症 (MS) 的QSM质量的潜力.
- 为了比较DLR处理的3D回声平面成像 (3DEPI) QSM与MS患者常规重建 (CR) 的临床实用性.
- 评估DLR对识别MS特定生物标志物和整体图像质量的影响.
主要方法:
- 对7名多发性硬化症患者的3T MRI和3DEPI数据进行了回顾性分析.
- 使用常规重建 (CR) 和深度学习重建 (DLR) 进行QSM数据的离线重建.
- 两位专家对433个病变进行了独立的盲目评估,评估了识别多发性硬化症生物标志物的信心 (PRL,CVS,高/低强度病变) 和图像质量.
主要成果:
- 与CR相比,基于DLR的QSM在识别MS特异性生物标志物方面表现出显著更高的信心,包括高/低强度病变 (P < 0.001) 和中央静脉征兆 (CVS) (P = 0.01),与CR相比.
- 基于DLR-3DEPI的QSM的整体图像质量被评为显著更高 (P < 0.001).
- 快速DLR-3DEPI QSM显示出与基于传统梯度回忆回声 (GRE) 的QSM的卓越视觉和定量一致性,尽管采集时间缩短了四倍.
结论:
- 深度学习重建显著提高了QSM的质量和临床实用性,该QSM来自于多发性硬化症的快速3D回声平面成像.
- 这项研究提供了第一个证据,证明了基于DLR-3DEPI的QSM在MS中的性能提高.
- 这些发现表明DLR是一种有价值的技术,用于改善MS研究和潜在的临床实践中的QSM.
