Investigative Radiology;基于深度学习的钆塞酸二钠增强肝脏MRI运动伪影的自动检测与分级

2023-03-21 shaosai MedSci原创 发表于上海

最近,卷积神经网络(CNN)是一种大容量的参数模型,通过使用来自训练数据的大量参数进行图像分析,使基于深度学习的视觉识别任务的表现得以实现,并在腹部MRI中得到了有力的研究。

塞酸二钠(Eovist/Primovist,拜耳医疗集团)是一种用于磁共振成像(MRI)的肝细胞特异性造影剂,通过在肝胆相图像上提供有关肝脏病灶病变组成的详细信息以及在动态MRI扫描中提供血液动力学信息,提高了肝细胞癌(HCC)的成像诊断性能。然而,钆塞酸二钠增强MRI对HCC的敏感性并不完全令人满意,尤其是在使用美国肝病研究协会和欧洲肝病研究协会的影像诊断标准时尤为明显这是因为廓清表现在门静脉相上进行评估此外,呼吸运动伪影,如瞬时剧烈运动(TSM)伪影和动脉相时间不充分,会导致钆塞酸二钠增强MRI的灵敏度不理想。

根据最近的一项荟萃分析,13%的塞酸二钠增强MRI检查因TSM而无法诊断。尽管已经研究了一些策略来避免TSM的发生,包括减慢造影剂注射速度通过使用用生理盐水稀释来降低造影剂浓度以及多次动脉相位采集,但完全消除TSM十分困难。

在这方面,即时检测可能阻碍准确诊断的重大运动相关伪影在临床上非常重要,这可为扫描提供一个即时反应的机会。最近,卷积神经网络(CNN)是一种大容量的参数模型,通过使用来自训练数据的大量参数进行图像分析,使基于深度学习的视觉识别任务的表现得以实现,并在腹部MRI中得到了有力的研究。

近日,发表在Investigative Radiology杂志的一项研究开发了一种基于深度学习的算法(DLA)用于自动检测和分级钆塞酸二钠增强MRI动脉期的运动相关伪影,并评估了其在内部和外部验证数据集中的表现,为检查中实现自动和即时检测TSM提供了技术支持。

本项研究基于改良的ResNet-101和U-net使用2017年观察到的336张钆塞酸二钠增强肝脏MRI检查的动脉相图像(训练数据集;平均年龄,68.6岁[范围,18-95];254名男性)来训练用于检测和分级运动相关伪影的多步骤DLA。在4个不同的MRI层面中,使用3级分级系统对运动相关伪影进行了评估。在验证数据集中,包括了2018年从同一机构获得的313张图像(内部验证数据集;平均年龄,67.2岁[范围,21-87];228名男性)和来自3个不同机构的329张图像(外部验证数据集;平均年龄,64.0岁[范围,23-90];214名男性),并评估了运动相关伪影检测的每片和每个检查表现。

在内部验证数据集中,DLA检测3级运动相关伪影的每层面敏感性和特异性为91.5%(97/106)和96.8%(1134/1172),在外部验证数据集中为93.3%(265/284)和91.6%(948/1035)。在内部验证数据集中,每次检查的敏感性和特异性分别为92.0%(23/25)和99.7%(287/288),在外部验证数据集中为90.0%(72/80)和96.0%(239/249)。DLA对运动相关伪影的自动分级的处理时间为每次MRI检查4.11到4.22秒。


 基于深度学习的动脉相位图像中3级运动相关伪影的自动检测

本项研究开发了一种用于自动检测和分级钆塞酸二钠增强肝脏MRI动脉期运动相关伪影的DLA,并验证了其在检测严重运动相关伪影方面的良好整体性能,且处理时间非常短。
原文出处:

Taeyong Park,Dong Wook Kim,Sang Hyun Choi,et al.Deep Learning-Based Automatic Detection and Grading of Motion-Related Artifacts on Gadoxetic Acid-Enhanced Liver MRI.DOI:10.1097/RLI.0000000000000914

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2120841, encodeId=ef54212084124, content=学习, beContent=null, objectType=article, channel=null, level=null, likeNumber=37, replyNumber=0, topicName=null, topicId=null, topicList=[], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=96bf8356432, createdName=ms7000001622695191, createdTime=Tue Mar 21 18:44:34 CST 2023, time=2023-03-21, status=1, ipAttribution=北京)]
    2023-03-21 ms7000001622695191 来自北京

    学习

    0

相关资讯

Invest Radio:深度学习分类和计算机辅助诊断对乳腺癌MR筛查的价值

为了减少乳腺磁共振(MR)放射科医生的工作量,研究人员将重点放在自动病变检测上。其中一个研究重点是使用计算机辅助分流(CAT)来对正常扫描进行识别。

Radiology:深度学习的浸润性乳腺癌模拟增强乳腺MRI

最近使用脑部MRI扫描的研究表明,利用深度学习从预对比度输入合成对比度增强图像是可行的。

European Radiology:使用低剂量深度学习重建在CT上常规检测肝转移的能力

利用DLIR技术,在各种临床适应症下进行腹部CT检查时,可以大大降低剂量,同时仍能保证诊断图像质量和病灶检测。

European Radiology:基于超声的深度学习模型在进行乳腺病变风险分层中的应用

最近,许多研究利用机器学习(ML)或深度学习(DL)技术建立了良性和恶性乳腺病变的二元分类预测模型;然而,只有少数研究关注BI-RADS分类或两者都关注,而且还存在一些问题。

Investigative Radiology:深度学习在多发性骨髓瘤患者骨髓ADC自动测量中的应用

发表在Investigative Radiology杂志的一项研究提出了一种基于深度学习的ADC图的分割算法,在多中心数据集中提供了高质量的髋骨和骶骨的分割。

European Radiology:T2 mapping深度学习方法对特发性炎性肌病的定量肌肉分割

深度学习(DL)可以自动学习和改进算法,可用于分析所有层面中的所有肌肉。最重要的是,DL可以自动进行肌肉分割。然而,在IIM中使用由DL分割的肌肉T2mapping还没有被描述。