Ricostruzione in super risoluzione con apprendimento profondo per una risonanza magnetica della prostata pesata in T2 robusta e veloce

Il cancro alla prostata è da anni tra i tipi di cancro più diffusi negli uomini, essendo responsabile del 7,8% di tutti i casi di nuova diagnosi nel 2020, occupando il 2° posto subito dopo il cancro ai polmoni. La diagnostica precoce e non invasiva è stata notevolmente migliorata dalla risonanza magnetica multiparametrica (mpMRI) della prostata, rilevando il cancro alla prostata clinicamente significativo e formando la linea di base per la biopsia guidata della prostata, mentre può prevenire biopsie non necessarie in pazienti con antigene prostatico specifico elevato, ma nessuna lesione visibile. Con una popolazione che invecchia, sono necessarie scansioni MRI rapide, efficienti e altamente qualitative per soddisfare questa crescente domanda. La ricostruzione delle immagini in deep learning è diventata sempre più importante per risolvere questi compiti per produrre immagini altamente qualitative riducendo drasticamente i tempi di acquisizione.

I protocolli di acquisizione standard della mpMRI della prostata includono sequenze pesate in T2, pesate in diffusione e con contrasto dinamico per consentire la classificazione delle lesioni prostatiche secondo il Prostate Imaging Reporting & Data System (PI-RADS). Mentre l'assegnazione del punteggio PI-RADS nella zona periferica della prostata è principalmente determinata dall'imaging pesato in diffusione, le sequenze pesate in T2 sono principalmente responsabili della valutazione della zona di transizione. Inoltre, una valutazione approfondita della prostata richiede l'acquisizione di sequenze pesate in T2 nei piani assiali e sagittali, estendendo così il tempo di acquisizione dei protocolli MRI. Sono stati proposti diversi approcci per accelerare e migliorare l'acquisizione delle immagini, che vanno dall'implementazione di protocolli abbreviati al miglioramento delle sequenze pesate in diffusione o utilizzando il sensing compresso per la ricostruzione di sequenze non cartesiane pesate in T2. Oltre a questi metodi che si basano su metodi tradizionali di acquisizione e ricostruzione, la ricostruzione delle immagini di deep learning (DL) è diventata sempre più importante risolvendo questi compiti per produrre immagini altamente qualitative riducendo drasticamente i tempi di acquisizione.

Nonostante ciò, i metodi DL affidabili per il processo di acquisizione delle immagini e ricostruzione della stessa mpMRI della prostata sono scarsi. Sebbene siano stati stabiliti i primi approcci per il denoising DL, sostituendo efficacemente la funzione wavelet convenzionale, il resto del ciclo di ricostruzione iterativo non è influenzato e l'impatto sulle prestazioni diagnostiche del punteggio PI-RADS rimane poco chiaro. Le reti di deep learning a super risoluzione recentemente sviluppate promettono di superare questa limitazione. Primi risultati per il denoising DL in diverse applicazioni, ad es. nella risonanza magnetica muscoloscheletrica mostrano già buoni risultati, portando a una significativa accelerazione dei tempi di acquisizione pur mantenendo un'elevata qualità dell'immagine. Tuttavia, l'applicazione di queste reti DL di denoising in combinazione con reti di super risoluzione più avanzate nella mpMRI della prostata non è stata ancora valutata.

In questo studio prospettico, tra agosto e novembre 2022, i partecipanti con sospetto di cancro alla prostata sono stati sottoposti a risonanza magnetica prostatica con sequenze cartesiane T2 (T2C) e non cartesiane (T2NC) standard ad alta risoluzione. Inoltre, è stata acquisita una TSE cartesiana T2 (T2SR) a bassa risoluzione con denoising DL e ricostruzione con super risoluzione. Gli artefatti, la nitidezza dell'immagine, la visibilità della lesione, la delineazione della capsula, la qualità complessiva dell'immagine e l'affidabilità diagnostica sono stati valutati su una scala Likert a 5 punti con valore non diagnostico e 5 eccellente. Sono stati calcolati il ​​rapporto segnale-rumore apparente (aSNR), il rapporto contrasto-rumore (aCNR) e la distanza di salita dal bordo (ERD). Il test di Friedman e l'ANOVA a una via sono stati utilizzati per i confronti di gruppo. Per quanto riguarda la concordanza dei punteggi PI-RADS sono stati confrontati con Kappa di Cohen.