Deep Learning Super Resolution Rekonstruktion til hurtig og bevægelse Robust T2-vægtet prostata MRI

Prostatacancer har været blandt de mest udbredte kræfttyper hos mænd i årevis, idet den er ansvarlig for 7,8 % af alle nydiagnosticerede tilfælde i 2020, og ligger på 2. pladsen lige efter lungekræft. Tidlig og ikke-invasiv diagnostik blev væsentligt forbedret ved multiparametrisk MR (mpMRI) af prostata, der påviste klinisk signifikant prostatacancer og danner basislinjen for guidet biopsi af prostata, mens det kan forhindre unødvendige biopsier hos patienter med forhøjet prostataspecifikt antigen, men ingen synlige læsioner. Med en aldrende befolkning er hurtige, effektive og højkvalitative MR-scanninger nødvendige for at tilfredsstille denne stigende efterspørgsel. Deep learning-billedrekonstruktion er blevet stadig vigtigere ved at løse disse opgaver for at producere højkvalitative billeder, samtidig med at optagelsestiden drastisk reduceres.

Standard optagelsesprotokoller for prostata mpMRI inkluderer T2-vægtede, diffusionsvægtede og dynamisk kontrastforstærkede sekvenser for at tillade klassificering af prostatalæsioner i henhold til Prostate Imaging Reporting & Data System (PI-RADS). Mens tildelingen af ​​PI-RADS-scoren i den perifere zone af prostata hovedsageligt bestemmes af den diffusionsvægtede billeddannelse, er de T2-vægtede sekvenser hovedsageligt ansvarlige for vurderingen af ​​overgangszonen. Ydermere nødvendiggør grundig vurdering af prostata erhvervelse af T2-vægtede sekvenser i aksiale og sagittale planer, hvilket forlænger optagelsestiden for MRI-protokoller. Forskellige tilgange er blevet foreslået til at accelerere og forbedre billedoptagelsen, lige fra implementering af forkortede protokoller til forbedring af diffusionsvægtede sekvenser eller brug af komprimeret sensing til rekonstruktion af ikke-kartesiske T2-vægtede sekvenser. Ud over disse metoder, der er afhængige af traditionelle erhvervelse og rekonstruktionsmetoder, er deep learning (DL) billedrekonstruktion blevet stadig vigtigere ved at løse disse opgaver for at producere højkvalitative billeder, samtidig med at optagelsestiden drastisk reduceres.

På trods af det er pålidelige DL-metoder til processen med billedoptagelse og rekonstruktion af selve prostata mpMRI sparsomme. Mens de første tilgange til DL-denoising er blevet etableret, som effektivt erstatter den konventionelle wavelet-funktion, er resten af ​​den iterative rekonstruktionscyklus upåvirket, og indvirkningen på diagnostisk ydeevne af PI-RADS-scoren forbliver uklar. Nyligt udviklede superopløsnings-deep learning-netværk lover at overvinde denne begrænsning. Første resultater for DL ​​denoising i forskellige applikationer, f.eks. i muskuloskeletal MR allerede viser gode resultater, hvilket fører til betydelig acceleration af optagelsestid og samtidig opretholde høj billedkvalitet. Imidlertid er anvendelsen af ​​disse denoising DL-netværk i kombination med mere avancerede super opløsning netværk i prostata mpMRI endnu ikke blevet evalueret.

I dette prospektive studie, mellem august og november 2022, gennemgik deltagere med mistanke om prostatacancer prostata MR med standard højopløselige kartesiske T2 (T2C) og ikke-kartesiske T2 (T2NC) sekvenser. Derudover blev en lavopløsnings Cartesian T2 TSE (T2SR) med DL denoising og super opløsning rekonstruktion erhvervet. Artefakter, billedskarphed, læsion iøjnefaldende, kapselafgrænsning, overordnet billedkvalitet og diagnostisk sikkerhed blev vurderet på en 5-punkts Likert-skala med værende ikke-diagnostisk og 5 værende fremragende. Tilsyneladende signal-til-støj-forhold (aSNR), kontrast-til-støj-forhold (aCNR) og kantstigningsafstand (ERD) blev beregnet. Friedman test og One-way ANOVA blev brugt til gruppesammenligninger. Med hensyn til overensstemmelse mellem PI-RADS blev score sammenlignet med Cohens Kappa.