Radiology：实现脊柱MRI加速的深度学习重建
众所周知，诊断和快速的脊柱MRI对于基于价值的、有效的和具有成本效益的工作流程是必不可少的，是提高MRI流转速度的基石。
众所周知，诊断和快速的脊柱MRI对于基于价值的、有效的和具有成本效益的工作流程是必不可少的，是提高MRI流转速度的基石。
深度学习(DL)可用于提高加速的MRI采集。基于DL的MRI重建的主要目的是通过使用深度神经网络从较少或 "欠采样 "的K空间数据中重建高质量的图像来促进更快的扫描。这可以通过所谓的 "基于物理的DL MRI技术 "来实现，该技术在数据一致性和基于神经网络的正则器之间交替进行有限次数的迭代，从而展开正则化迭代算法。目前研究的DL重建方面是在一个单独的、通常是数值密集型的过程中对这些模型参数进行优化，并在示范数据上进行。一旦固定下来，该模型就可以被部署并且可在未来的数据上使用。据我们所知，在实际的临床场景中，缺乏对快速获得的、低采样的脊柱MRI进行前瞻性的DL重建的研究。
近日，发表在Radiology杂志的一项研究探讨了标准的涡轮自旋回波(TSE)采集和非滚动DL重建TSE(以下简称TSEDL)T1和T2加权采集方法的诊断互换性，并测试了其对采集时间、图像质量和诊断信心的影响，为临床实现更加快速的MR扫描及诊断提供了技术支持。
本项研究纳入了2020年11月-2021年7月期间在本机构给予书面同意的患有各种脊柱异常的参与者。每个参与者都接受了两次MRI检查：标准的完全采样的T1和T2加权的TSE采集(参考标准)和前瞻性的低采样的TSEDL采集，有三倍和四倍的加速。图像评估由五位读者进行。互换性分析和基于图像质量的分析被用来比较TSE和TSEDL的图像，同时比较了采集时间和诊断信心。使用关于各种退行性和非退行性实体的个体等值指数来测试互换性，对每个椎体进行分析，并定义为临床判断的不一致小于5%。 计算了阅读者之间和阅读者内部的一致性和一致性(k和Kendall t和W统计)，并使用了Wilcoxon和McNemar检验。
总共有50名参与者接受了评估(平均年龄46岁618[SD];26名男性)。TSEDL方法使总采集时间减少了70%(TSEDL为100秒，TSE为328秒，P , .001)。所有个人的等值指数都小于4%。所有读者都认为TSEDL采集的图像噪声更好(P , .001)。没有证据表明标准TSE和TSEDL之间在主要发现的频率、整体图像质量或诊断信心方面存在差异。
研究表明，数据驱动的深度学习(DL)重建的涡轮自旋回波(TSE)方法在临床上是可行的，可与标准的T1和T2加权TSE采集互换，并可用于检测脊柱的各种异常情况。DL重建的TSE提供了出色的图像质量和诊断信心，并将检查时间大大减少了70%。因此，DL技术可为超快速脊柱MRI奠定基础。
相关文章
评论
我要跟帖
.jpg)