实时深度学习图像重建和仪器跟踪在MR引导的活检中
Constant R Noordman1,2, Lauren P W Te Molder2, Marnix C Maas3
1Diagnostic Image Analysis Group, Department of Medical Imaging, Radboud University Medical Center, Nijmegen, the Netherlands.
Journal of magnetic resonance imaging : JMRI
|October 2, 2025
概括
深度学习通过实现更快的成像和实时仪器跟踪来加速穿直肠内MRI导向活检 (MRGB). 这种人工智能方法即使在显著的样本不足的情况下也保持了高准确性,改善了临床工作流程.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 活检技术 活检技术
背景情况:
- 跨直肠内孔MRI导向活检 (MRGB) 提供了准确性,但受到长时间扫描时间的限制.
- 更快的成像对于改善MRGB工作流程和实现实时仪器跟踪至关重要.
- 目前的加速方法通常依赖于模拟数据,缺乏临床验证.
研究的目的:
- 通过使用深度学习来加速MRGB程序的图像重建和仪器跟踪.
- 在多切片MR DICOM图像上训练模型,并在原始k空间采集上评估它们.
- 为了实现更快,更有效的MR导向活检.
主要方法:
- 一项前性可行性研究,涉及1289名患者进行模型培训和8名患者进行测试.
- 深度学习模型在8464个MRGB扫描中进行了训练,用于细分和重建.
- 仪表尖预测 (ITP) 误差被用来评估跟踪精度,可行性以<5mm误差的的比例来衡量.
主要成果:
- 重建模型在完全采样的扫描中实现了1.55 ± 1.01 mm的平均ITP误差.
- 维持了高ITP成功率的97.5%在8x和92.5%在16x低采样.
- 在18倍低采样时,性能呈现下降,表明了当前模型的极限.
结论:
- 深度学习模型在MRGB中显示了稳定的针头指导尖的预测准确性.
- 重建模型在高低样本率的跟踪中是强大的.
- 这种人工智能驱动的方法显示出加速MRGB程序的希望.
