Radiology：对DWI的深度学习重建提高了前列腺成像的图像质量

现阶段，多参数MRI已被广泛用于前列腺癌的检测、定位和分期。目前，扩散加权成像（DWI）是前列腺癌多参数MRI的一个重要组成部分。然而，对于部分前列腺癌来说，在较高的b值下成像可以提高病灶的显着性和检测率。前列腺成像报告和数据系统（PI- RADS）2.1版建议使用b值大于1400sec/ mm²的DWI进行评估以提高有临床意义的癌症的显著性。虽然大于2000sec/ mm²的高b值有可能提高检测率，但图像质量会变差。此外，一些多中心研究表明，PI-RADS检测前列腺癌的观察者间一致性和阳性预测值低，可能是由于DWI扫描和ADC图的图像质量相对较低所引起的。

鉴于这些原因，深度学习重建（DLR）技术已被引入临床以改善MRI扫描质量。该技术对改善图像质量和诊断性能的效用已经在MR冠状动脉造影和膝关节、盆腔和脑部成像中得到证实。

近日，发表在Radiology杂志的一项研究探讨了DLR是否能改善前列腺癌患者在b值为1000sec/mm²至5000sec/mm²的DWI图像质量，实现DWI扫描质量及前列腺癌的诊断性能的提高。

本项回顾性研究对2020年1月至6月连续的经活检证实的前列腺癌患者在B值为0秒/平方毫米、B值为1000秒/平方毫米（DWI₁₀₀₀）、B值为3000sec/ mm²（DWI₃₀₀₀）和B值为5000sec/ mm²（DWI₅₀₀₀）时获得的前列腺图像进行了重建，并进行了DLR。使用来自感兴趣区域分析的信噪比（SNR）和对比度-噪声比（CNR）评估图像质量，并使用五点视觉评分系统（1[非常差]至5[优秀]）对每个有和无DLR的高b值DWI序列进行定性评估。有无DLR的SNR、CNR和DWI的视觉评分分别用配对t检验和Wilcoxon签名排名检验与Bonferroni校正进行比较。有无DLR的DWI的表观弥散系数（ADCs）也用配对t检验和Bonferroni校正进行比较。

共分析了60名患者（平均年龄，67岁；年龄范围，49-79岁）。有DLR的DWI显示出明显高于无DLR的DWI（P < .001）；例如，DWI₁₀₀₀的平均SNR分别为38.7 ± 0.6和17.8 ± 0.6（P < .001），而平均CNR分别为18.4 ± 5.6和7.4 ± 5.6（P < .001）。有DLR的DWI也显示出比无DLR的DWI更高的图像质量（平均得分：DWI₁₀₀₀的4.8±0.4 vs 4.0±0.7[P = .001]，DWI₃₀₀₀的3.8±0.7 vs 3.0±0.8[P = .002]，DWI₅₀₀₀的3.1±0.8 vs 2.0±0.9[P < .001]）。有DLR和无DLR的ADCs没有很大差别（P>0.99）。

图 受试者工作特性曲线分析。蓝线表示用深度学习重建（DLR）的图像分析，红线是来自没有DLR的分析。(A) 在有和没有DLR的情况下，从扩散加权成像(DWI)获得的表观扩散系数(ADC)图的受试者工作特性曲线，b值为1000秒/mm²(ADC₁₀₀₀)。(B) 在有和没有DLR的情况下，从B值为3000秒/mm²的DWI获得的ADC图的受试者工作特性曲线（ADC₃₀₀₀）。有DLR的曲线下面积明显高于有无DLR的DWI₁₀₀₀的ADC图（P , .05）。(C) 在有和没有DLR的情况下，从B值为5000秒/mm²（ADC₅₀₀₀）的DWI获得的ADC图的受试者工作特性曲线。AUC = 曲线下的面积

本研究表明，深度学习重建散算法可以改善前列腺扩散加权MRI扫描的图像质量，同时不影响表观扩散系数的量化，并可改善疑似前列腺癌患者的病变特征的显示。

原文出处；

Takahiro Ueda,Yoshiharu Ohno,Kaori Yamamoto,et al.Deep Learning Reconstruction of Diffusion-weighted MRI Improves Image Quality for Prostatic Imaging.DOI:10.1148/radiol.204097