Reconstrucción de súper resolución de aprendizaje profundo para resonancia magnética de próstata ponderada en T2 rápida y resistente al movimiento

El cáncer de próstata ha estado entre los tipos de cáncer más prevalentes en los hombres durante años, siendo responsable del 7,8 % de todos los casos recién diagnosticados en 2020, ocupando el segundo lugar justo después del cáncer de pulmón. El diagnóstico temprano y no invasivo mejoró enormemente con la resonancia magnética multiparamétrica (mpMRI) de la próstata, que detectó cáncer de próstata clínicamente significativo y formó la línea de base para la biopsia guiada de la próstata, mientras que puede prevenir biopsias innecesarias en pacientes con antígeno prostático específico elevado, pero sin lesiones visibles. Con una población que envejece, se necesitan resonancias magnéticas rápidas, eficientes y de alta calidad para satisfacer esta creciente demanda. La reconstrucción de imágenes de aprendizaje profundo se ha vuelto cada vez más importante para resolver estas tareas para producir imágenes de alta calidad y reducir drásticamente el tiempo de adquisición.

Los protocolos de adquisición estándar de mpMRI de próstata incluyen secuencias potenciadas en T2, potenciadas en difusión y con contraste dinámico para permitir la clasificación de las lesiones prostáticas de acuerdo con el Sistema de datos e informes de imágenes de la próstata (PI-RADS). Mientras que la asignación de la puntuación PI-RADS en la zona periférica de la próstata está determinada principalmente por las imágenes ponderadas por difusión, las secuencias ponderadas en T2 son las principales responsables de la evaluación de la zona de transición. Además, la evaluación exhaustiva de la próstata requiere la adquisición de secuencias potenciadas en T2 en planos axial y sagital, lo que amplía el tiempo de adquisición de los protocolos de resonancia magnética. Se han propuesto diferentes enfoques para acelerar y mejorar la adquisición de imágenes, que van desde la implementación de protocolos abreviados hasta la mejora de secuencias ponderadas por difusión o el uso de detección comprimida para la reconstrucción de secuencias ponderadas en T2 no cartesianas. Además de estos métodos que se basan en métodos tradicionales de adquisición y reconstrucción, la reconstrucción de imágenes de aprendizaje profundo (DL) se ha vuelto cada vez más importante para resolver estas tareas para producir imágenes de alta calidad y reducir drásticamente el tiempo de adquisición.

A pesar de eso, los métodos DL confiables para el proceso de adquisición de imágenes y reconstrucción de la RMmp de próstata en sí son escasos. Si bien se establecieron los primeros enfoques para la eliminación de ruido de DL, reemplazando efectivamente la función wavelet convencional, el resto del ciclo de reconstrucción iterativa no se ve afectado y el impacto en el rendimiento diagnóstico de la puntuación PI-RADS sigue sin estar claro. Las redes de aprendizaje profundo de súper resolución desarrolladas recientemente prometen superar esta limitación. Primeros resultados para la eliminación de ruido de DL en diferentes aplicaciones, p. en resonancia magnética musculoesquelética ya muestran buenos resultados, lo que lleva a una aceleración significativa del tiempo de adquisición mientras se mantiene una alta calidad de imagen. Sin embargo, la aplicación de estas redes DL de eliminación de ruido en combinación con redes de superresolución más avanzadas en mpMRI de próstata aún no se ha evaluado.

En este estudio prospectivo, entre agosto y noviembre de 2022, los participantes con sospecha de cáncer de próstata se sometieron a una resonancia magnética de próstata con secuencias estándar de alta resolución T2 cartesiana (T2C) y no cartesiana (T2NC). Además, se adquirió un TSE cartesiano T2 (T2SR) de baja resolución con eliminación de ruido DL y reconstrucción de superresolución. Los artefactos, la nitidez de la imagen, la visibilidad de la lesión, la delimitación de la cápsula, la calidad general de la imagen y la confianza diagnóstica se calificaron en una escala de Likert de 5 puntos, siendo no diagnósticos y 5 excelentes. Se calcularon la relación señal-ruido aparente (aSNR), la relación contraste-ruido (aCNR) y la distancia de elevación del borde (ERD). Se utilizaron la prueba de Friedman y ANOVA de una vía para las comparaciones de grupos. En cuanto a la concordancia de las puntuaciones del PI-RADS, se compararon con el Kappa de Cohen.