骨科

Euro Radiol:深度学习在高分辨率三维腰椎MRI中的应用

作者:佚名 来源:MedSci梅斯 日期:2022-08-03
导读

          通过最近开发的卷积神经网络,深度学习(DL)在放射学中的应用有了很大的发展,在自动分类、分割和疾病检测方面展现出了巨大的潜力。深度学习技术在脊柱成像中的应用包括腰椎自动编号、椎间盘突出症分类和椎管狭窄分级。

关键字:  三维腰椎 

        通过最近开发的卷积神经网络,深度学习(DL)在放射学中的应用有了很大的发展,在自动分类、分割和疾病检测方面展现出了巨大的潜力。深度学习技术在脊柱成像中的应用包括腰椎自动编号、椎间盘突出症分类和椎管狭窄分级。

        临床腰椎(L-spine)扫描方案通常包括多平面(矢状位、轴位,有时也包括冠状位)、二维(2D)T2加权快速自旋回波(T2w-FSE)采集,总采集时间达到25分钟。相比之下,单一的三维T2w-FSE各向同性序列可以通过多平面重建产生与二维成像相同的平面,可显著缩短总采集时间(6-8分钟)且没有层间距,避免了部分容积效应产生的偏差。然而,部分由于信噪比(SNR)的限制,迄今为止,使用标准重建技术的三维图像可实现的空间分辨率仍然低于二维T2w-FSE。

        近日,发表在European Radiology杂志的一项研究评估了DLRecon算法在增强三维T2w-FSE L-spine MRI方面的应用,为减少总体上采集时间、提高图像质量提供了技术支持。

        本研究回顾性地纳入了2020年8月17日至9月17日在各向同性的三维和二维T2w-FSE序列下进行腰椎MRI检查的患者。使用一种具有去噪和锐化特性的DLRecon算法在SOC三维K空间以生成三维DLRecon图像。四位对重建状态保密的肌肉骨骼放射科医生评估了随机图像的运动伪影、图像质量、中央/椎管狭窄、椎间盘变性、环状裂隙、椎间盘突出和面关节囊肿的存在。使用Conger's kappa (κ)评估每个分级变量的评分者之间的一致性。

        本研究共对35名患者(平均年龄58±19岁,26名女性)进行了评估。与SOC 3D(1.0/2,p < 0.001)、2D轴位(1.0/2,p < 0.001)和2D矢状面序列(1.0/2,p值< 0.001)相比,3D DLRecon显示出统计学上明显较高的图像质量中位数得分(2.0/2)。椎管狭窄的κ范围(和95%CI)为:3D DLRecon为0.55-0.76(0.32-0.86),SOC 3D为0.56-0.73(0.35-0.84),2D为0.58-0.71(0.33-0.84)。三维DLRecon、三维SOC和二维的L4-5中央狭窄的平均κ(和95%CI)分别为0.98(0.96-0.99)、0.97(0.95-0.99)和0.98(0.96-0.99)。

        本研究表明,与SOC三维和二维L-spine MRI相比,将三维DLRecon图像算法应用于L-spine的各向同性的三维MRI显著提高了图像质量,且不影响临床相关病理评估的观察者间的一致性。由此带来的图像质量和MPR的提高可以为其他解剖学区域提供比标准二维成像更多的诊断优势,为临床的诊断及术前评估提供了强有力的技术支持。

分享:

评论

我要跟帖
发表
回复 小鸭梨
发表

copyright©医学论坛网 版权所有,未经许可不得复制、转载或镜像

京ICP证120392号  京公网安备110105007198  京ICP备10215607号-1  (京)网药械信息备字(2022)第00160号
//站内统计 //百度统计 //谷歌统计 //站长统计
*我要反馈: 姓    名: 邮    箱: