Rekonstrukce hlubokého učení se super rozlišením pro rychlou a pohybovou robustní T2 váženou MRI prostaty
Přehled studie
Postavení
Podmínky
Intervence / Léčba
Detailní popis
Rakovina prostaty patří již léta mezi nejrozšířenější typy rakoviny u mužů a je odpovědná za 7,8 % všech nově diagnostikovaných případů v roce 2020 a drží se na 2. místě hned po rakovině plic. Časná a neinvazivní diagnostika byla výrazně zlepšena multiparametrickou MRI (mpMRI) prostaty, která detekuje klinicky významný karcinom prostaty a tvoří základ pro řízenou biopsii prostaty, přičemž může zabránit zbytečným biopsiím u pacientů se zvýšeným prostatickým specifickým antigenem, ale žádné viditelné léze. Se stárnoucí populací jsou k uspokojení této rostoucí poptávky potřeba rychlé, účinné a vysoce kvalitní MRI skeny. Rekonstrukce obrazu s hlubokým učením se stává stále důležitějším řešením těchto úkolů, aby se vytvořily vysoce kvalitní obrazy při drastickém zkrácení doby akvizice.
Standardní protokoly akvizice mpMRI prostaty zahrnují T2-vážené, difuzně vážené a dynamicky kontrastně zvýrazněné sekvence, které umožňují klasifikaci prostatických lézí podle Prostate Imaging Reporting & Data System (PI-RADS). Zatímco přiřazení skóre PI-RADS v periferní zóně prostaty je určeno především difuzně váženým zobrazením, za hodnocení přechodné zóny jsou zodpovědné především T2-vážené sekvence. Důkladné vyšetření prostaty navíc vyžaduje získání T2-vážených sekvencí v axiální a sagitální rovině, čímž se prodlužuje doba akvizice MRI protokolů. Pro urychlení a zlepšení získávání obrazu byly navrženy různé přístupy, od implementace zkrácených protokolů po zlepšení difuzně vážených sekvencí nebo použití komprimovaného snímání pro rekonstrukci nekartézských T2 vážených sekvencí. Kromě těchto metod, které se spoléhají na tradiční metody získávání a rekonstrukce, se rekonstrukce obrazu hlubokého učení (DL) stává stále důležitějším řešením těchto úkolů, aby se vytvořily vysoce kvalitní obrazy a zároveň se drasticky zkrátila doba získávání.
Přesto je spolehlivých DL-metod pro proces získávání obrazu a rekonstrukci samotné mpMRI prostaty poskrovnu. Zatímco byly zavedeny první přístupy pro odšumování DL, které účinně nahrazují konvenční vlnkovou funkci, zbytek cyklu iterativní rekonstrukce není ovlivněn a dopad skóre PI-RADS na diagnostický výkon zůstává nejasný. Nedávno vyvinuté sítě hlubokého učení s vysokým rozlišením slibují překonat toto omezení. První výsledky pro DL odšumování v různých aplikacích, např. v muskuloskeletální MRI již vykazují dobré výsledky, což vede k výraznému zrychlení akviziční doby při zachování vysoké kvality obrazu. Aplikace těchto odšumovacích DL sítí v kombinaci s pokročilejšími superrozlišovacími sítěmi v mpMRI prostaty však dosud nebyla hodnocena.
V této prospektivní studii mezi srpnem a listopadem 2022 podstoupili účastníci s podezřením na rakovinu prostaty MRI prostaty se standardními kartézskými sekvencemi T2 (T2C) a nekartézskými T2 (T2NC) s vysokým rozlišením. Navíc byl pořízen kartézský T2 TSE (T2SR) s nízkým rozlišením s DL odšumováním a rekonstrukcí s vysokým rozlišením. Artefakty, ostrost obrazu, nápadnost lézí, ohraničení pouzdra, celková kvalita obrazu a diagnostická spolehlivost byly hodnoceny na 5bodové Likertově škále s tím, že jsou nediagnostické a 5 je vynikající. Byl vypočten zdánlivý poměr signálu k šumu (aSNR), poměr kontrastu k šumu (aCNR) a vzdálenost nárůstu okraje (ERD). Pro srovnání skupin byly použity Friedmanův test a jednocestná ANOVA. Pokud jde o shodu skóre PI-RADS, byly porovnány s Cohenovou Kappa.
Typ studie
Zápis (Aktuální)
Fáze
- Nelze použít
Kontakty a umístění
Studijní místa
-
-
NRW
-
Bonn, NRW, Německo, 53127
- University Hospital Bonn
-
-
Kritéria účasti
Kritéria způsobilosti
Věk způsobilý ke studiu
- Dospělý
- Starší dospělý
Přijímá zdravé dobrovolníky
Popis
Kritéria pro zařazení:
- Klinické podezření na rakovinu prostaty (PSA >4 ng/ml nebo suspektní digitální rektální vyšetření/transrektální ultrazvuk)
Kritéria vyloučení:
- Obecné kontraindikace pro MRI (kardiostimulátory, neurostimulátory, železitý kov) nebo kontrastní látky na bázi gadolinia (GFR <30 ml/min/1,73 m2, předchozí závažné alergické reakce)
- Těžká klaustrofobie
Studijní plán
Jak je studie koncipována?
Detaily designu
- Primární účel: Diagnostický
- Přidělení: N/A
- Intervenční model: Přiřazení jedné skupiny
- Maskování: Žádné (otevřený štítek)
Zbraně a zásahy
Skupina účastníků / Arm |
Intervence / Léčba |
|---|---|
|
Experimentální: Rekonstrukce sekvence T2-TSE založená na hlubokém učení
Účastníci podstoupí multiparametrickou MRI prostaty se zahrnutím standardních kartézských T2-TSE a nekarteziánských T2-vážených sekvencí, stejně jako nově vyvinuté hluboké učení rozšířené T2-TSE sekvence.
Všichni pacienti v této studii podstoupili stejný zobrazovací protokol.
|
Nově vyvinutá rekonstrukce primárně málo rozlišené T2-TSE sekvence založená na hlubokém učení je zahrnuta do zobrazovacího protokolu pro hodnocení karcinomu prostaty.
|
Co je měření studie?
Primární výstupní opatření
Měření výsledku |
Popis opatření |
Časové okno |
|---|---|---|
|
Kvalitativní posouzení kvality obrazu (artefakty, ostrost obrazu, nápadnost lézí, ohraničení pouzdra, celková kvalita obrazu a diagnostická spolehlivost)
Časové okno: 4 měsíce
|
Artefakty, ostrost obrazu, nápadnost lézí, ohraničení pouzdra, celková kvalita obrazu a diagnostická spolehlivost byly hodnoceny na 5bodové Likertově škále, přičemž 1 bylo nediagnostické a 5 bylo vynikající.
Pro testování významnosti byl použit Friedmanův test s p<0,05 považovaným za ukazatel významného rozdílu.
|
4 měsíce
|
|
Doba pořízení
Časové okno: 4 měsíce
|
Měření doby akvizice T2-vážených sekvencí
|
4 měsíce
|
|
Stupeň souhlasu s hodnocením PI-RADS
Časové okno: 4 měsíce
|
Pro posouzení skóre PI-RADS byly všechny MRI přečteny naslepo radiologem s 11letou odborností ve dvou různých časových bodech v náhodném pořadí.
Sekvence MRI pro hodnocení PI-RADS zahrnovaly buď T2NC (referenční standard v naší instituci) nebo T2SR jako T2-váženou sekvenci v protokolu čtení.
Zbytek sekvencí byl stejný (axiální T1-vážený TSE před a po podání kontrastu, axiální dynamicky kontrastně zesílený T1, sagitální T2 TSE a axiální difuzí vážené sekvence se zjevnou mapou difúzních koeficientů).
Cohenova Kappa byla použita pro korelaci hodnot se zahrnutím buď T2SR nebo T2NC.
|
4 měsíce
|
|
Kvantitativní hodnocení kvality obrazu (zdánlivý poměr signálu k šumu a kontrastu k šumu)
Časové okno: 4 měsíce
|
Byl vypočten zdánlivý poměr signálu k šumu (aSNR: intenzita signálu periferní zóny/směrodatná odchylka svalu) a poměr kontrastu k šumu (aCNR: intenzita signálu periferní zóny - intenzita signálu svalu)/směrodatná odchylka svalu ke kvantifikaci ostrosti obrazu.
Pro testování významnosti byla použita jednocestná ANOVA s p<0,05 považovaným za ukazatel významného rozdílu.
|
4 měsíce
|
|
Kvantitativní hodnocení kvality obrazu (vzdálenost okraje)
Časové okno: 4 měsíce
|
Ke kvantifikaci ostrosti obrazu byla vypočtena vzdálenost náběhu okraje (ERD).
ERD byla stanovena jako míra ostrosti obrazu.
Za tímto účelem byla nakreslena čára kolmo překračující dorzální hranici pouzdra prostaty.
Vzdálenost náběhu okraje byla poté určena jako vzdálenost (v mm) mezi 10% a 90% úrovní intenzity signálu vzhledem k oblastem nízké a vysoké intenzity signálu.
Pro testování významnosti byla použita jednocestná ANOVA s p<0,05 považovaným za ukazatel významného rozdílu.
|
4 měsíce
|
Spolupracovníci a vyšetřovatelé
Sponzor
Spolupracovníci
Vyšetřovatelé
- Vrchní vyšetřovatel: Julian A Luetkens, PD Dr. med., University Hospital, Bonn
Publikace a užitečné odkazy
Obecné publikace
- Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, Bray F. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J Clin. 2021 May;71(3):209-249. doi: 10.3322/caac.21660. Epub 2021 Feb 4.
- Eklund M, Jaderling F, Discacciati A, Bergman M, Annerstedt M, Aly M, Glaessgen A, Carlsson S, Gronberg H, Nordstrom T; STHLM3 consortium. MRI-Targeted or Standard Biopsy in Prostate Cancer Screening. N Engl J Med. 2021 Sep 2;385(10):908-920. doi: 10.1056/NEJMoa2100852. Epub 2021 Jul 9.
- Hugosson J, Mansson M, Wallstrom J, Axcrona U, Carlsson SV, Egevad L, Geterud K, Khatami A, Kohestani K, Pihl CG, Socratous A, Stranne J, Godtman RA, Hellstrom M; GOTEBORG-2 Trial Investigators. Prostate Cancer Screening with PSA and MRI Followed by Targeted Biopsy Only. N Engl J Med. 2022 Dec 8;387(23):2126-2137. doi: 10.1056/NEJMoa2209454.
- ACR, ESUR and AdMeTech Foundation. Prostate Imaging Reporting & Data System (PI-RADS). 2019. Version 2.1.
- Weiss J, Martirosian P, Notohamiprodjo M, Kaufmann S, Othman AE, Grosse U, Nikolaou K, Gatidis S. Implementation of a 5-Minute Magnetic Resonance Imaging Screening Protocol for Prostate Cancer in Men With Elevated Prostate-Specific Antigen Before Biopsy. Invest Radiol. 2018 Mar;53(3):186-190. doi: 10.1097/RLI.0000000000000427.
- Langbein BJ, Szczepankiewicz F, Westin CF, Bay C, Maier SE, Kibel AS, Tempany CM, Fennessy FM. A Pilot Study of Multidimensional Diffusion MRI for Assessment of Tissue Heterogeneity in Prostate Cancer. Invest Radiol. 2021 Dec 1;56(12):845-853. doi: 10.1097/RLI.0000000000000796.
- Bischoff LM, Katemann C, Isaak A, Mesropyan N, Wichtmann B, Kravchenko D, Endler C, Kuetting D, Pieper CC, Ellinger J, Weber O, Attenberger U, Luetkens JA. T2 Turbo Spin Echo With Compressed Sensing and Propeller Acquisition (Sampling k-Space by Utilizing Rotating Blades) for Fast and Motion Robust Prostate MRI: Comparison With Conventional Acquisition. Invest Radiol. 2023 Mar 1;58(3):209-215. doi: 10.1097/RLI.0000000000000923. Epub 2022 Sep 2.
- Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018 Aug;18(8):500-510. doi: 10.1038/s41568-018-0016-5.
- Harder FN, Weiss K, Amiel T, Peeters JM, Tauber R, Ziegelmayer S, Burian E, Makowski MR, Sauter AP, Gschwend JE, Karampinos DC, Braren RF. Prospectively Accelerated T2-Weighted Imaging of the Prostate by Combining Compressed SENSE and Deep Learning in Patients with Histologically Proven Prostate Cancer. Cancers (Basel). 2022 Nov 22;14(23):5741. doi: 10.3390/cancers14235741.
- Dong C, Loy CC, He K, Tang X. Image Super-Resolution Using Deep Convolutional Networks. IEEE Trans Pattern Anal Mach Intell. 2016 Feb;38(2):295-307. doi: 10.1109/TPAMI.2015.2439281.
- 11. Li Y, Sixou B, Peyrin F. A Review of the Deep Learning Methods for Medical Images Super Resolution Problems. IRBM, Volume 42, Issue 2, April 2021, Pages 120-133. doi: 10.1016/j.irbm.2020.08.004
- Almansour H, Herrmann J, Gassenmaier S, Afat S, Jacoby J, Koerzdoerfer G, Nickel D, Mostapha M, Nadar M, Othman AE. Deep Learning Reconstruction for Accelerated Spine MRI: Prospective Analysis of Interchangeability. Radiology. 2023 Mar;306(3):e212922. doi: 10.1148/radiol.212922. Epub 2022 Nov 1.
- Kim M, Lee SM, Park C, Lee D, Kim KS, Jeong HS, Kim S, Choi MH, Nickel D. Deep Learning-Enhanced Parallel Imaging and Simultaneous Multislice Acceleration Reconstruction in Knee MRI. Invest Radiol. 2022 Dec 1;57(12):826-833. doi: 10.1097/RLI.0000000000000900. Epub 2022 Jul 1.
- Pezzotti N, de Weerdt E, Yousefi S, et al. Adaptive-CS-Net: FastMRI with Adaptive Intelligence. arxiv:1912.12259. 2019;(NeurIPS).
- Zhang J and Ghanem B. ISTA-Net: Interpretable optimization-inspired deep network for image compressive sensing. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, pp. 1828-1837
- Kim J, Lee JK, Lee KM. Accurate Image Super-Resolution Using Very Deep Convolutional Networks. arXiv:1511.04587
- Chaudhari AS, Fang Z, Kogan F, Wood J, Stevens KJ, Gibbons EK, Lee JH, Gold GE, Hargreaves BA. Super-resolution musculoskeletal MRI using deep learning. Magn Reson Med. 2018 Nov;80(5):2139-2154. doi: 10.1002/mrm.27178. Epub 2018 Mar 26.
- Suzuki S, Machida H, Tanaka I, Ueno E. Measurement of vascular wall attenuation: comparison of CT angiography using model-based iterative reconstruction with standard filtered back-projection algorithm CT in vitro. Eur J Radiol. 2012 Nov;81(11):3348-53. doi: 10.1016/j.ejrad.2012.02.009. Epub 2012 Mar 19.
- Agarwal S, Singh O.P, Nagaria D. Analysis and Comparison of Wavelet Transforms for Denoising MRI Image. Biomed Pharmacol J 2017;10(2).
- Gassenmaier S, Warm V, Nickel D, Weiland E, Herrmann J, Almansour H, Wessling D, Afat S. Thin-Slice Prostate MRI Enabled by Deep Learning Image Reconstruction. Cancers (Basel). 2023 Jan 18;15(3):578. doi: 10.3390/cancers15030578.
- Ueda T, Ohno Y, Yamamoto K, Murayama K, Ikedo M, Yui M, Hanamatsu S, Tanaka Y, Obama Y, Ikeda H, Toyama H. Deep Learning Reconstruction of Diffusion-weighted MRI Improves Image Quality for Prostatic Imaging. Radiology. 2022 May;303(2):373-381. doi: 10.1148/radiol.204097. Epub 2022 Feb 1.
- Johnson PM, Tong A, Donthireddy A, Melamud K, Petrocelli R, Smereka P, Qian K, Keerthivasan MB, Chandarana H, Knoll F. Deep Learning Reconstruction Enables Highly Accelerated Biparametric MR Imaging of the Prostate. J Magn Reson Imaging. 2022 Jul;56(1):184-195. doi: 10.1002/jmri.28024. Epub 2021 Dec 7.
- Wright KL, Hamilton JI, Griswold MA, Gulani V, Seiberlich N. Non-Cartesian parallel imaging reconstruction. J Magn Reson Imaging. 2014 Nov;40(5):1022-40. doi: 10.1002/jmri.24521. Epub 2014 Jan 10.
- Zaitsev M, Maclaren J, Herbst M. Motion artifacts in MRI: A complex problem with many partial solutions. J Magn Reson Imaging. 2015 Oct;42(4):887-901. doi: 10.1002/jmri.24850. Epub 2015 Jan 28.
Termíny studijních záznamů
Hlavní termíny studia
Začátek studia (Aktuální)
Primární dokončení (Aktuální)
Dokončení studie (Aktuální)
Termíny zápisu do studia
První předloženo
První předloženo, které splnilo kritéria kontroly kvality
První zveřejněno (Aktuální)
Aktualizace studijních záznamů
Poslední zveřejněná aktualizace (Aktuální)
Odeslaná poslední aktualizace, která splnila kritéria kontroly kvality
Naposledy ověřeno
Více informací
Termíny související s touto studií
Další relevantní podmínky MeSH
Další identifikační čísla studie
- SR.001
Plán pro data jednotlivých účastníků (IPD)
Plánujete sdílet data jednotlivých účastníků (IPD)?
Informace o lécích a zařízeních, studijní dokumenty
Studuje lékový produkt regulovaný americkým FDA
Studuje produkt zařízení regulovaný americkým úřadem FDA
produkt vyrobený a vyvážený z USA
Tyto informace byly beze změn načteny přímo z webu clinicaltrials.gov. Máte-li jakékoli požadavky na změnu, odstranění nebo aktualizaci podrobností studie, kontaktujte prosím register@clinicaltrials.gov. Jakmile bude změna implementována na clinicaltrials.gov, bude automaticky aktualizována i na našem webu .