基于深度学习的多次射击乳腺扩散MRI:改善成像质量和减少扭曲
Ning Chien1, Yi-Hsuan Cho1, Ming-Yang Wang2
1Department of Medical Imaging, National Taiwan University Cancer Center, Taipei, Taiwan.
European journal of radiology
|September 20, 2025
概括
复杂灵敏编码的深度学习重建 (MUSE DL) 通过提高信号与噪声的比率和减少扭曲,显著提高了乳房MRI图像质量. 这种先进的技术保持了诊断准确度和明显扩散系数值,而不是标准的单次射击扩散加权成像.
科学领域:
- 放射学 放射学是指放射学
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 一次射击扩散加权成像 (SS-DWI) 是乳腺MRI的标准技术.
- 多重感应编码 (MUSE) 旨在通过在多个镜头中获取数据来提高图像质量.
- 深度学习 (DL) 重建为进一步增强MRI技术提供了潜力.
研究的目的:
- 为了比较深度学习重建的MUSE (MUSE DL) 与SS-DWI用于乳房MRI的成像性能.
- 评估图像质量指标,包括信号噪声比 (SNR) 和图像扭曲.
- 评估对明显扩散系数 (ADC) 值和诊断准确度的影响.
主要方法:
- 一项前性研究,涉及61名女性参与者,65名女性患有乳腺病变.
- 在3T核磁共振扫描仪上获取SS-DWI和多次射击MUSE DWI数据.
- 对SNR,ADC值和豪斯多夫距离 (HD) 进行定量分析,以评估扭曲.
- 使用利克尔特尺度进行主观定性分析.
主要成果:
- 与非DL的MUSE相比,MUSE DL在纤维腺组织中显著改善了SNR (2次射击DL:207.8%,4次射击DL:175.1%).
- 与SS-DWI (4.15毫米) 相比,观察到MUSE DL (2次拍摄:3.11毫米,4次拍摄:2.58毫米) 的图像扭曲明显减少.
- 在良性或恶性瘤中,在MUSE,MUSE DL和SS-DWI之间没有发现ADC值的显著差异.
结论:
- 通过改善SNR和最大限度地减少扭曲,MUSE DL提高了乳房MRI中的图像质量.
- 该技术保持了病变特征和ADC值的诊断准确性.
- MUSE DL代表了乳腺DWI的一个有希望的进步.
