Investigative Radiology:深度学习能放大造影剂对颅脑MR图像质量的影响吗?

2022-12-18 shaosai MedSci原创 发表于上海

现阶段,静脉注射钆基造影剂(GBCA)对提高MRI敏感性方面特别有效,在临床上使用十分广泛。

现阶段磁共振成像(MRI)是检测和评估脑瘤的首选方法。在过去的几十年里,磁共振成像的灵敏度(SE)不断提高,使其能够检测到更小的肿瘤。进一步提高磁共振成像的质量预计会产生类似的积极效果,并形成一个活跃的研究领域。在其他创新中,静脉注射钆基造影剂(GBCA)对提高MRI SE特别有效,在临床上使用十分广泛。然而,最近有证据表明在各种组织中沉积,这使得我们不能像一些研究建议的那样简单地增加GBCA的剂量来进一步提高MRI的诊断性能

近日,发表在Investigative Radiology杂志的一项研究介绍了一种深度学习方法,该方法提高了增强梯度回波T1加权脑磁共振成像(MRI)采集中的对比度-噪声比,为临床的进一步准确评估提供了技术支持。

本项研究于2019年11月至2021年3月期间对在本机构获得的总共250个多参数颅脑MRI成像进行了回顾性评估。确定了独立的训练(107例;年龄,55±14岁;58名女性)和测试(79例;年龄,59±14岁;41名女性)样本。纳入患者有胶质瘤、脑转移瘤、脑膜瘤或无增强病变。所有病例都获得了梯度回波和涡轮自旋回波的可变翻转角对比后T1序列。对于构成训练样本的病例,还获得了使用0.025mmol/kg注射造影剂的 "低剂量 "强化后梯度回波T1图像。训练一个深度神经网络,以标准剂量的T1磁共振成像为参考,合成增强低剂量的T1采集。训练完成后,增强网络被用来处理测试的梯度回波T1图像。然后,由2名经验丰富的神经放射学专家进行解读,以涡轮自旋回波序列为参照,从对比度增强和病变检测性能方面评估原始和处理后的T1 MRI序列。 
在对比度-噪声比(44.5 vs 9.1和16.8;P<0.001)、病变-脑实质比(1.66 vs 1.31和1.44;P<0.001)和增强百分比(112.4% vs 85.6%和92.2%;P<0.001)方面,处理后的图像优于原始梯度回波和参考涡轮自旋回波T1序列。两位读者都更喜欢经过处理的T1的整体图像质量(平均评分为3.4/4 vs 2.7/4;P < 0.001)。

最后,对于大于10毫米的病变,建议的处理方法将梯度回波T1 MRI的平均敏感性从88%提高到96%(P = 0.008),而在错误检测率方面没有发现差异(两种情况下每例0.02;P > 0.99)。当考虑到所有大于5毫米的病变时,也观察到同样的效果:敏感性从70%增加到85% ( P < 0.001),而错误检测率仍然相似(每例0.04 vs 0.06; P = 0.48)。将所有病变包括在内,无论其大小如何,原始和处理后的T1图像的敏感性分别为59%和75% ( P < 0.001),相应的错误检测率分别为每例0.05和0.14 ( P = 0.06)。 



 T2-Flair、T1c、T1c-pro和T1c-vfa图像的轴位示例(列,从左到右)。前3行对应的是有脑转移的病人。与预测的T1c序列相比,这些转移灶在T1c-pro图像中显得更加明亮,脑实质也显得更平滑。这些有利于病变检测的特征与T1c-vfa图像相同。第四行对应的是一位胶质瘤患者,其内部形态在后处理的T1c-pro图像上比T1c-vfa序列更清晰。最后,最后一行对应的是一个病例,由于其大环形伪影而被排除在测试样本之外。后处理的T1c-pro图像也出现了伪影,但与T1c和T1c-vfa序列相比,其程度较小


研究表明,本项研究所提出的深度学习方法成功地放大了对比剂注射对梯度回波T1图像质量、对比度水平和病变检测性能的有利影响,其中MRI序列的灵敏度提高了16%,而错误检测率保持不变。

原文出处:

Alexandre Bône,Samy Ammari,Yves Menu,et al.From Dose Reduction to Contrast Maximization: Can Deep Learning Amplify the Impact of Contrast Media on Brain Magnetic Resonance Image Quality? A Reader Study.DOI:10.1097/RLI.0000000000000867

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 (0)
#插入话题

相关资讯

European Radiology:深度学习,让年轻放射科医生轻轻松松面对前列腺癌的MR判析!

随着深度学习(DL)框架在自动图像识别分析方面的巨大成功,许多计算机辅助诊断(CAD)系统已经被开发出来用于各种恶性肿瘤的影像学图像解释。

Investigative Radiology:使用生成对抗网络进行深度学习实现CT造影剂的减少

现阶段,临床上也在不断开发减少造影剂用量的技术,重点是在减少造影剂用量的同时保证图像质量。

European Radiology:深度学习模型对脂肪和淋巴水肿患者的标准化评估

近年来,DL方法已经显示出其在医学图像分析中自动量化组织体积的潜力。因此,DL也可以为临床提供一个有用的评估工具,对疑似脂肪水肿或淋巴水肿的患者进行基于影像的组织体积自动评估。

European Radiology:利用深度学习重建算法,实现腹部CT图像的“减价不减量”

飞利浦医疗集团开发的新的人工智能深度学习重建(AI-DLR)算法具有卷积神经网络(CNN)的特点,该网络经过训练可以再现常规剂量患者的图像外观(噪声大小、噪声纹理)。

Nature子刊:多用途深度学习方法sciPENN,可预测、插补scRNA-seq、CITE-seq蛋白质表达

研究团队开发了sciPENN深度学习模型,可以预测和估算蛋白质表达,集成多个CITE-seq数据集,量化预测和估算不确定性。

Euro Radio:对双能CT图像深度学习重建的定量和定性评估

现阶段,临床上引入了一种用于单能量CT的新型深度学习图像重建(DLIR)技术进入临床应用。