用商业深度学习产品重建的前列腺扩散加权图像与1.5T的深度学习阶段校正模型进行比较
Rory L Cochran1, William R Bradley1, Ranjodh S Dhami1
1Department of Radiology, Massachusetts General Hospital, Boston, MA, United States; Harvard Medical School, Cambridge, MA, United States.
Clinical imaging
|November 26, 2025
概括
一个新的基于深度学习的阶段校正 (DLPC) 模型显著提高了1.5T的前列腺扩散加权MRI质量. 与现有的商业深度学习产品相比,DLPC重建减少了噪音,并改善了信号噪音比 (SNR).
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 多参数MRI (mpMRI) 对于前列腺癌的评估至关重要.
- 扩散权重成像 (DWI) 质量对于准确的诊断至关重要.
- 目前的深度学习 (DL) 模型提供了改进,但也有局限性.
研究的目的:
- 为了评估一种新的基于深度学习的阶段纠正 (DLPC) 重建模型.
- 为了比较DLPC的性能与商业DL产品的前列腺DWI在1.5T.
- 评估提高图像质量,降低噪声和信号对噪声比 (SNR).
主要方法:
- 在30名患者的前列腺mpMRI1.5T后期分析.
- 用DLPC和商业DL模型重建的DWI数据集的比较.
- 三名放射科医生的定性评估,使用5分利克尔特尺度.
- 使用边缘函数和中间b值图像对SNR和图像噪声进行定量分析.
主要成果:
- 放射科医生一致认为DLPC图像的噪音较低,质量更好 (p < 0.05).
- 经过DLPC重建,SNR显著更高 (中位数为49.4比27.5;p<0.001).
- 边缘分析证实DLPC图像中的噪声显著减少 (p < 0.001),ADC值没有显著差异.
结论:
- DLPC图像重建显著改善了1.5T前列腺DWI的图像质量.
- 该DLPC模型显示优越的降噪和SNR增强比商业DL产品.
- 这一进步有望使用MRI进行更准确的前列腺癌诊断.
