[人工智能辅助压缩传感加速对MRI放射性特征提取和鼻癌分期模型性能的影响]

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 鼻癌 (NPC) 诊断依赖于MRI,但长时间的扫描时间可能具有挑战性.
• 放射学从医学图像中提取定量特征,用于诊断和预后目的.
• 图像加速技术旨在减少MRI扫描的持续时间,而不会影响图像质量或诊断性能.

研究的目的:

• 评估人工智能辅助压缩传感 (ACS) 对MRI放射性特征提取对NPC的影响.
• 为了比较使用ACS加速MRI与传统并行成像 (PI) 的分期模型的诊断性能.
• 评估ACS作为NPC放射学加速策略的效率.

主要方法:

• 64名新诊断的NPC患者接受了3.0TMRI,使用PI和ACS协议,使用相同的参数.
• 使用Pyradiomics.com提取了放射性特征 (第一阶段和纹理).
• 随机森林回归模型是建立在特征选择后进行分阶段 (T1-T2与T3-T4) 的,性能由AUC评估.

主要成果:

• 通过ACS加速的图像显示了高的放射性可重现性,86.0%的特征表现出良好的一致性 (ICC>0.75).
• 对于T1W,T2W和CE-T1W序列的平均ICC分别为0.91±0.09,0.89±0.13和0.88±0.11.
• 阶段预测模型实现了可比的诊断性能 (AUC:ACS为0.89,PI为0.90,P=0.991).

结论:

• 使用ACS和PI技术提取的MRI放射性特征高度一致.
• 基于ACS的分期模型显示了与基于PI的模型相比较的诊断性能.
• ACS显著减少了扫描时间,为NPC放射学提供了高效可靠的加速策略.