深度学习重建在脑瘤的定量分析与扩散加权成像和动态敏感性对比成像的定量分析
E-Nae Cheong1, Geunu Jeong2, Jiyeon Park2
1Department of Radiology and Research Institute of Radiology, University of Ulsan College of Medicine, Asan Medical Center, Seoul, Republic of Korea.
Journal of magnetic resonance imaging : JMRI
|March 7, 2026
概括
深度学习重建 (DLR) 有效地减少了脑瘤MRI扫描中的噪音. 这种技术保留了关键生理参数的定量准确性,使得可靠的成像.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 神经瘤学神经瘤学
背景情况:
- 深度学习重建 (DLR) 显示了提高MRI图像质量的前景.
- 它对扩散加权成像 (DWI) 和动态敏感性对比 (DSC) perfusion 在脑瘤成像中的定量参数的影响尚未得到充分证实.
研究的目的:
- 评估DLR对DWI和DSC在脑瘤患者中产生的定量参数的影响.
- 评估DLR在神经瘤学中提高定量生理MRI的潜力.
主要方法:
- 通过使用3.0TMRI (T2,FLAIR,T1WI,DWI,DSC) 对62名辐射后脑转移患者的回顾性分析.
- 使用三个DLR级别 (高,中,低) 重建DWI和DSC图像.
- 使用统计测试,将原始和DLR图像之间的定量参数 (ADC,CBV,CBF,MTT,TTP) 进行比较.
主要成果:
- 在DSC成像中,DLR显著降低了噪音 (最低RMSE和MAE具有高水平DLR),而不会影响CBV量化.
- 在ADC,CBV,CBF和MTT的原始和DLR图像之间没有发现显著差异.
- 高级DLR与原始图像相比,TTP显著增加,所有测试参数的DLR水平具有很高的可重现性.
结论:
- DLR有效地减少了DWI和DSC脑瘤MRI中的噪音.
- 它保留了ADC,CBV,CBF和MTT等基本生理参数的定量准确性.
- 在脑瘤成像中,DLR具有强大的生理MRI应用的潜力.
