Deep Learning Super Resolution Reconstruction für schnelle und bewegungsrobuste T2-gewichtete Prostata-MRT

Prostatakrebs gehört seit Jahren zu den häufigsten Krebsarten bei Männern, war im Jahr 2020 für 7,8 % aller neu diagnostizierten Fälle verantwortlich und belegt damit den 2. Platz direkt nach Lungenkrebs. Die frühe und nicht-invasive Diagnostik wurde durch die multiparametrische MRT (mpMRI) der Prostata erheblich verbessert, die klinisch signifikanten Prostatakrebs erkennt und die Grundlage für eine geführte Biopsie der Prostata bildet, während sie unnötige Biopsien bei Patienten mit erhöhtem prostataspezifischem Antigen verhindern kann, aber keine sichtbaren Läsionen. Angesichts einer alternden Bevölkerung sind schnelle, effiziente und qualitativ hochwertige MRT-Scans erforderlich, um dieser steigenden Nachfrage gerecht zu werden. Die Deep-Learning-Bildrekonstruktion wird immer wichtiger, um diese Aufgaben zu lösen, um hochqualitative Bilder zu erzeugen und gleichzeitig die Aufnahmezeit drastisch zu reduzieren.

Zu den Standarderfassungsprotokollen der Prostata-mpMRT gehören T2-gewichtete, diffusionsgewichtete und dynamisch kontrastverstärkte Sequenzen, um die Klassifizierung von Prostataläsionen gemäß dem Prostate Imaging Reporting & Data System (PI-RADS) zu ermöglichen. Während die Zuordnung des PI-RADS-Scores in der peripheren Zone der Prostata hauptsächlich durch die diffusionsgewichtete Bildgebung bestimmt wird, sind die T2-gewichteten Sequenzen hauptsächlich für die Beurteilung der Übergangszone verantwortlich. Darüber hinaus erfordert eine gründliche Beurteilung der Prostata die Erfassung von T2-gewichteten Sequenzen in axialer und sagittaler Ebene, wodurch die Erfassungszeit von MRT-Protokollen verlängert wird. Zur Beschleunigung und Verbesserung der Bilderfassung wurden verschiedene Ansätze vorgeschlagen, die von der Implementierung verkürzter Protokolle bis hin zur Verbesserung diffusionsgewichteter Sequenzen oder der Verwendung von Compressed Sensing zur Rekonstruktion nicht-kartesischer T2-gewichteter Sequenzen reichen. Neben diesen Methoden, die sich auf traditionelle Erfassungs- und Rekonstruktionsmethoden stützen, wird die Bildrekonstruktion durch Deep Learning (DL) immer wichtiger, um diese Aufgaben zu lösen, um hochqualitative Bilder zu erzeugen und gleichzeitig die Erfassungszeit drastisch zu verkürzen.

Trotzdem sind zuverlässige DL-Methoden für den Prozess der Bildaufnahme und Rekonstruktion der Prostata-mpMRT selbst spärlich. Während erste Ansätze für das DL-Denoising etabliert wurden, die die herkömmliche Wavelet-Funktion effektiv ersetzen, bleibt der Rest des iterativen Rekonstruktionszyklus davon unberührt und die Auswirkung auf die diagnostische Leistung des PI-RADS-Scores bleibt unklar. Kürzlich entwickelte Deep-Learning-Netzwerke mit Superauflösung versprechen, diese Einschränkung zu überwinden. Erste Ergebnisse für DL-Denoising in verschiedenen Anwendungen, z.B. in der Muskel-Skelett-MRT zeigen bereits gute Ergebnisse, was zu einer deutlichen Beschleunigung der Aufnahmezeit bei gleichbleibend hoher Bildqualität führt. Die Anwendung dieser Entrauschungs-DL-Netzwerke in Kombination mit fortschrittlicheren Super-Resolution-Netzwerken in der Prostata-mpMRT wurde jedoch noch nicht evaluiert.

In dieser prospektiven Studie wurden Teilnehmer mit Verdacht auf Prostatakrebs zwischen August und November 2022 einer Prostata-MRT mit standardmäßigen hochauflösenden kartesischen T2 (T2C)- und nicht-kartesischen T2 (T2NC)-Sequenzen unterzogen. Zusätzlich wurde ein kartesisches T2 TSE (T2SR) mit niedriger Auflösung mit DL-Rauschunterdrückung und superauflösender Rekonstruktion erworben. Artefakte, Bildschärfe, Läsionsauffälligkeit, Kapselabgrenzung, allgemeine Bildqualität und diagnostisches Vertrauen wurden auf einer 5-Punkte-Likert-Skala mit nicht diagnostisch und 5 ausgezeichnet bewertet. Scheinbares Signal-Rausch-Verhältnis (aSNR), Kontrast-Rausch-Verhältnis (aCNR) und Flankenanstiegsabstand (ERD) wurden berechnet. Friedman-Test und Einweg-ANOVA wurden für Gruppenvergleiche verwendet. Hinsichtlich der Übereinstimmung wurden die PI-RADS-Scores mit Cohens Kappa verglichen.