European Radiology:垂体微腺瘤诊断突破,DLCS-SR 技术助力高分辨率 MRI 精准识别

2025-05-19 shaosai MedSci原创 发表于上海

1.5 毫米 DLCS-SR 图像在识别垂体异常和微腺瘤方面具有卓越的诊断性能,表明高分辨率动态对比增强磁共振成像具有临床应用潜力。

垂体微腺瘤,即直径小于 1 厘米的腺瘤,准确检测和描绘这些腺瘤对于恰当的评估、治疗和监测至关重要。动态对比增强(DCE)磁共振成像(MRI)是临床实践中评估垂体微腺瘤的推荐成像方式。通常,切片厚度为 2 至 3 毫米的动态对比增强 MRI 被用于垂体成像;然而,由于部分容积平均效应的存在,识别更小的微腺瘤仍然具有挑战性。提高动态对比增强 MRI 的空间分辨率有助于减轻部分容积平均效应,但可能会降低信噪比(SNR)和图像质量。

最近,Kim 等人将基于深度学习的重建(DLR)技术应用于二维薄层垂体 MRI,证明了其在识别残留肿瘤和海绵窦侵犯方面的潜力。尽管他们的研究主要强调了层间高分辨率成像的应用,但为了准确诊断垂体微腺瘤,深入探究层内的空间分辨率也是必要的。此外,他们的研究强调了对动态对比增强 MRI 使用深度学习技术的必要性。图像超分辨率(SR)重建,特别是基于深度学习的图像超分辨率技术,在检测脑部和肌肉骨骼 MRI 中的细微解剖异常方面表现出了卓越的性能,为展示精细的垂体结构提供了一种手段。

最近,压缩感知(CS)与深度学习的融合,提供了一种受压缩感知理论启发的基于深度学习的重建方法,即 DLCS。这种方法在各种 MRI 应用中展现出了显著的降噪能力,且无需额外的扫描时间,也不会损失空间分辨率,显示出实现高分辨率动态对比增强 MRI 的潜力。此外,供应商提供的基于深度学习的重建原型(飞利浦医疗保健公司),将 DLCS 与基于深度学习的超分辨率(DLCS-SR)重建相结合,有望在保持图像清晰度和信噪比的同时,提高平面内分辨率,以生成薄层 MRI 扫描图像,并有可能减少图像失真。需要强调的是,在这种新颖的重建方案下,通过单次扫描获取的原始 k 空间数据可以直接以三种不同模式进行重建:压缩感知(CS)、DLCS 和 DLCS-SR 重建。


最近,发表在European Radiology 上的一篇文章评估了基于深度学习的压缩感知和超分辨率(DLCS-SR)重建的高分辨率动态对比增强(DCE)磁共振成像(MRI)在识别微腺瘤方面的诊断性能。

本项前瞻性研究纳入了 126 名疑似垂体微腺瘤的参与者,他们在 2023 年 6 月至 2024 年 1 月期间接受了动态对比增强磁共振成像检查。从单次扫描的动态对比增强磁共振成像中得到了四组图像,包括使用 DLCS-SR 的 1.5 毫米层厚图像(1.5 毫米 DLCS-SR 图像)、基于深度学习的压缩感知重建的 1.5 毫米层厚图像(1.5 毫米 DLCS 图像)、1.5 毫米常规图像,以及使用 DLCS-SR 的 3 毫米层厚图像(3 毫米 DLCS-SR 图像)。通过综合实验室检查结果、临床症状、病史、先前的影像学资料以及某些病理报告来制定诊断标准。由两名阅片者评估在识别垂体异常和微腺瘤方面的诊断性能。使用卡帕(κ)统计量评估诊断一致性,使用德龙(DeLong)检验和麦克尼马尔(McNemar)检验对微腺瘤检测的组间差异进行比较。

1.5 毫米 DLCS-SR 图像(κ = 0.746-0.848)显示出卓越的诊断一致性,优于 1.5 毫米 DLCS 图像(κ = 0.585-0.687)、1.5 毫米常规图像(κ = 0.449-0.487)和 3 毫米 DLCS-SR 图像(κ = 0.347-0.369)(所有比较的 P 值均小于 0.001)。此外,1.5 毫米 DLCS-SR 图像在识别微腺瘤方面的性能 [受试者工作特征曲线下面积(AUC)为 0.89-0.94] 超过了 1.5 毫米 DLCS 图像(AUC 为 0.83-0.87;P 值分别为 0.042 和 0.011)、1.5 毫米常规图像(AUC 为 0.76-0.78;P 值小于 0.001)以及 3 毫米 DLCS-SR 图像(AUC 为 0.72-0.74;P 值小于 0.001)。 


表 1.5 毫米 DLCS-SR 图像、1.5 毫米 DLCS 图像、1.5 毫米常规图像和 3 毫米 DLCS-SR 图像在识别垂体微腺瘤方面的诊断性能

研究结果显示,1.5 毫米 DLCS-SR 图像在识别垂体异常和微腺瘤方面具有卓越的诊断性能,表明高分辨率动态对比增强磁共振成像具有临床应用潜力。

原文出处:

Meng Zhang,Chunchao Xia,Jing Tang,et al.Evaluation of high-resolution pituitary dynamic contrast-enhanced MRI using deep learning-based compressed sensing and super-resolution reconstruction.DOI:10.1007/s00330-025-11574-5

评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=2265177, encodeId=598722651e728, content=<a href='/topic/show?id=e4cb6612395' target=_blank style='color:#2F92EE;'>#深度学习#</a> <a href='/topic/show?id=180f36964eb' target=_blank style='color:#2F92EE;'>#压缩感知#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=14, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=36964, encryptionId=180f36964eb, topicName=压缩感知), TopicDto(id=66123, encryptionId=e4cb6612395, topicName=深度学习)], attachment=null, authenticateStatus=null, createdAvatar=null, createdBy=cade5395722, createdName=梅斯管理员, createdTime=Thu May 15 13:35:25 CST 2025, time=2025-05-15, status=1, ipAttribution=上海)]

相关资讯

European Radiology:深度学习重建的超低剂量冠状动脉CTA对图像质量、冠状动脉斑块和狭窄分析的影响

鉴于 CCTA 在临床实践中应用广泛,潜在辐射风险成为主要顾虑。因此,各种降低辐射剂量的策略应运而生。不过,降低剂量会导致图像噪声增加、质量下降,而这对于 CCTA 图像的后续处理与解读至关重要。

Radiology:基于深度学习的Cine心脏MRI在杜氏肌营养不良患者纤维化心肌组织检测中的应用

研究所提出的对齐应变技术能够在无需对比剂的心脏 MRI 上基于运动检测心肌功能障碍,有助于在患者之间进行详细的应变分析,并能够精确追踪 DMD 患者的疾病进展情况。

European Radiology:深度学习重建在标准剂量和减剂量腹部CT肝脏病变检测中的应用

在过去的几年里,深度学习重建(DLR)在临床实践中受到了关注。

European Radiology:冠状动脉CTA的高分辨率深度学习重建与其他方法的狭窄评估效果比较

最近,引入了一种新型的高分辨率深度学习重建(HR - DLR)算法,2023 年发表了其在 CT 和 MRI 临床应用以及对 CCTA 进行定性评估潜力的研究。

npj Digital Medicine:基于深度学习的甲状腺结节3D可视化工具显著提升诊断准确性

本研究开发了一种基于深度学习的超声诊断工具(TNVis),通过利用大规模标注的二维静态超声图像数据集,实现了对动态超声视频的精准分割,并借助多视角融合技术构建甲状腺结节三维可视化模型。

Nature Biotechnology:“五通道”解锁“二十二蛋白”:细胞成像技术迎来指数级飞跃

《Nature Biotechnology》研究开发 CombPlex 技术,结合组合染色与深度学习,用 5 个成像通道实现对 22 种蛋白质的观察分析,打破传统成像局限,在科研和临床诊断等方面潜力巨

European Radiology:自动深度学习辅助的放射性颞叶损伤的早期MRI检测

人工智能(AI),尤其是深度学习,彻底改变了医学图像分析领域,在检测细微病变方面表现出色,其准确性可与医学专家相媲美。

European Radiology:基于深度学习的T2-FLAIR错配信号量化IDH突变成人型弥漫性低级别胶质瘤

低级别胶质瘤(LGGs),是一组高度异质性的肿瘤,可依据其不同的分子和病理特征进行分类。根据 2021 年 WHO 脑肿瘤分类,遗传信息对于精准诊断弥漫性低级别胶质瘤患者并制定个体化治疗方案愈发重要。

European Radiology:深度学习和常规髋关节MRI检测唇部和软骨异常的能力及价值

磁共振(MR)成像因其出色的软组织对比度而被认为是评估髋关节病变的金标准。标准的成像协议通常包括 T1 加权、T2 加权和脂肪抑制序列。

European Radiology:深度学习分割工具在多发性硬化症患者中的应用

深度学习模型已广泛应用于对多发性硬化症患者脑部 MRI 的分析中。一些模型能够在给定的脑部 MRI 图像上对多发性硬化症病变进行分割,另一些模型则专门用于区分多发性硬化症病变和非特异性白质病变。