빠르고 움직임이 강력한 T2 강조 전립선 MRI를 위한 딥러닝 초해상도 재구성
2023년 4월 6일 업데이트: Julian Alexander Luetkens, University Hospital, Bonn
따라서 이 연구의 목적은 초기 저해상도 데카르트 T2 터보 스핀 에코 시퀀스(T2 TSE)의 새로운 언롤링된 DL 초해상도 재구성을 조사하고 이를 표준 고해상도 데카르트 및 비데카르트 T2 TSE와 질적 및 양적으로 비교하는 것이었습니다. 이미지 선명도, 병변의 선명도 및 획득 시간에 특히 관심이 있는 전립선 mpMRI 설정의 시퀀스.
또한 조사관은 딥 러닝 초해상도와 표준 시퀀스 간에 할당된 PI-RADS 점수의 일치도를 평가했습니다.
연구 개요
상세 설명
전립선암은 수년 동안 남성에게 가장 흔한 암 유형 중 하나였으며 2020년에 새로 진단된 모든 사례의 7.8%를 차지하여 폐암 바로 다음으로 2위를 차지했습니다. 조기 및 비침습적 진단은 전립선의 다중변수 MRI(mpMRI)에 의해 크게 개선되어 임상적으로 중요한 전립선암을 감지하고 전립선 유도 생검의 기준선을 형성하는 동시에 전립선 특이 항원이 상승한 환자의 불필요한 생검을 예방할 수 있습니다. 눈에 보이는 병변 없음. 인구 고령화로 인해 이러한 증가하는 수요를 충족시키기 위해서는 빠르고 효율적이며 고품질의 MRI 스캔이 필요합니다. 딥 러닝 이미지 재구성은 획득 시간을 크게 줄이면서 고품질 이미지를 생성하기 위해 이러한 작업을 해결하는 데 점점 더 중요해지고 있습니다.
전립선 mpMRI의 표준 획득 프로토콜에는 전립선 이미징 보고 및 데이터 시스템(PI-RADS)에 따라 전립선 병변을 분류할 수 있도록 T2 가중, 확산 가중 및 동적 대비 강화 시퀀스가 포함됩니다. 전립선 말초 영역에서 PI-RADS 점수의 할당은 주로 확산 강조 영상에 의해 결정되는 반면, T2 강조 시퀀스는 주로 이행 영역의 평가를 담당합니다. 또한 전립선을 철저히 평가하려면 축 및 시상면에서 T2 강조 시퀀스를 획득해야 하므로 MRI 프로토콜의 획득 시간이 연장됩니다. 단축된 프로토콜의 구현에서 확산 가중 시퀀스의 개선 또는 비데카르트 T2 가중 시퀀스의 재구성을 위한 압축 감지 사용에 이르기까지 이미지 획득을 가속화하고 개선하기 위해 다양한 접근 방식이 제안되었습니다. 기존의 획득 및 재구성 방법에 의존하는 이러한 방법 외에도 획득 시간을 크게 줄이면서 고품질 이미지를 생성하기 위해 이러한 작업을 해결하는 딥 러닝(DL) 이미지 재구성이 점점 더 중요해지고 있습니다.
그럼에도 불구하고 전립선 mpMRI 자체의 이미지 획득 및 재구성 프로세스를 위한 신뢰할 수 있는 DL 방법은 드물다. DL 노이즈 제거를 위한 첫 번째 접근 방식이 확립되어 기존 웨이블렛 기능을 효과적으로 대체하지만 반복적 재구성 주기의 나머지 부분은 영향을 받지 않으며 PI-RADS 점수의 진단 성능에 미치는 영향은 불분명합니다. 최근 개발된 초고해상도 딥러닝 네트워크는 이러한 한계를 극복할 것으로 기대됩니다. 다양한 애플리케이션에서 DL 노이즈 제거에 대한 첫 번째 결과. 근골격 MRI에서 이미 좋은 결과를 보여주어 높은 이미지 품질을 유지하면서 획득 시간을 크게 단축할 수 있습니다. 그러나 전립선 mpMRI에서 고급 초해상도 네트워크와 함께 이러한 노이즈 제거 DL 네트워크를 적용하는 것은 아직 평가되지 않았습니다.
이 전향적 연구에서는 2022년 8월에서 11월 사이에 전립선암이 의심되는 참가자들이 표준 고해상도 데카르트 T2(T2C) 및 비데카르트 T2(T2NC) 시퀀스로 전립선 MRI를 받았습니다. 또한 DL 노이즈 제거 및 초해상도 재구성 기능이 있는 저해상도 데카르트 T2 TSE(T2SR)를 획득했습니다. 인공물, 이미지 선명도, 병변 선명도, 피막 묘사, 전반적인 이미지 품질 및 진단 신뢰도는 5점 Likert-Scale에서 비진단적이며 5점이 우수합니다. 겉보기 신호 대 잡음비(aSNR), 대비 잡음비(aCNR) 및 가장자리 상승 거리(ERD)를 계산했습니다. Friedman test와 One-way ANOVA는 그룹 비교에 사용되었습니다. PI-RADS 점수의 일치도는 Cohen's Kappa와 비교하였다.
연구 유형
중재적
등록 (실제)
109
단계
- 해당 없음
연락처 및 위치
이 섹션에서는 연구를 수행하는 사람들의 연락처 정보와 이 연구가 수행되는 장소에 대한 정보를 제공합니다.
연구 장소
-
-
NRW
-
Bonn, NRW, 독일, 53127
- University Hospital Bonn
-
-
참여기준
연구원은 적격성 기준이라는 특정 설명에 맞는 사람을 찾습니다. 이러한 기준의 몇 가지 예는 개인의 일반적인 건강 상태 또는 이전 치료입니다.
자격 기준
공부할 수 있는 나이
- 성인
- 고령자
건강한 자원 봉사자를 받아들입니다
아니
설명
포함 기준:
- 전립선암의 임상적 의심(PSA >4 ng/ml 또는 수상한 디지털 직장 검사/경직장 초음파)
제외 기준:
- MRI(심장 박동기, 신경 자극기, 철 금속) 또는 가돌리늄 기반 조영제(GFR < 30 ml/min/1.73)에 대한 일반적인 금기 사항 m2, 이전의 심한 알레르기 반응)
- 심한 밀실 공포증
공부 계획
이 섹션에서는 연구 설계 방법과 연구가 측정하는 내용을 포함하여 연구 계획에 대한 세부 정보를 제공합니다.
연구는 어떻게 설계됩니까?
디자인 세부사항
- 주 목적: 특수 증상
- 할당: 해당 없음
- 중재 모델: 단일 그룹 할당
- 마스킹: 없음(오픈 라벨)
무기와 개입
참가자 그룹 / 팔 |
개입 / 치료 |
|---|---|
|
실험적: T2-TSE 시퀀스의 딥 러닝 기반 재구성
참가자는 표준 데카르트 T2-TSE 및 비데카르트 T2 가중 시퀀스와 새로 개발된 딥 러닝 강화 T2-TSE 시퀀스를 포함하여 전립선의 다중 매개변수 MRI를 받습니다.
이 연구의 모든 환자는 동일한 이미징 프로토콜을 거칩니다.
|
주로 저해상도 T2-TSE 시퀀스의 새로 개발된 심층 학습 기반 재구성이 전립선암 평가를 위한 이미징 프로토콜에 포함됩니다.
|
연구는 무엇을 측정합니까?
주요 결과 측정
결과 측정 |
측정값 설명 |
기간 |
|---|---|---|
|
이미지 품질의 정성적 평가(인공물, 이미지 선명도, 병변 선명도, 피막 묘사, 전반적인 이미지 품질 및 진단 신뢰도)
기간: 4개월
|
인공물, 이미지 선명도, 병변 선명도, 피막 묘사, 전반적인 이미지 품질 및 진단 신뢰도는 5점 리커트 척도(1은 비진단, 5는 우수)로 평가되었습니다.
Friedman 테스트는 유의한 차이를 나타내는 것으로 간주되는 p<0.05로 유의성 테스트에 사용되었습니다.
|
4개월
|
|
획득 시간
기간: 4개월
|
T2 가중치 시퀀스의 획득 시간 측정
|
4개월
|
|
PI-RADS 등급에 대한 동의 정도
기간: 4개월
|
PI-RADS 점수를 평가하기 위해 모든 MRI는 무작위 순서로 두 개의 다른 시점에서 11년의 전문 지식을 가진 방사선 전문의에 의해 맹검으로 판독되었습니다.
PI-RADS 평가를 위한 MRI 시퀀스에는 판독 프로토콜의 T2 강조 시퀀스로 T2NC(본 기관의 참조 표준) 또는 T2SR이 포함되었습니다.
시퀀스의 나머지 부분은 동일했습니다(조영제 투여 전후의 축 T1 강조 TSE, 동적 조영 강화 T1, 시상 T2 TSE 및 겉보기 확산 계수 맵이 있는 축 확산 가중 시퀀스).
Cohen's Kappa는 T2SR 또는 T2NC를 포함하는 판독값의 상관 관계에 사용되었습니다.
|
4개월
|
|
이미지 품질의 정량적 평가(겉보기 신호 대 잡음비 및 대비 잡음비)
기간: 4개월
|
겉보기 신호 대 잡음비(aSNR: 말초 영역의 신호 강도/근육의 표준편차) 및 대비 잡음비(aCNR: 주변 영역의 신호 강도-근육의 신호 강도)/근육의 표준 편차)를 계산했습니다. 이미지 선명도를 정량화합니다.
단방향 ANOVA는 유의한 차이를 나타내는 것으로 간주되는 p<0.05로 유의성 테스트에 사용되었습니다.
|
4개월
|
|
이미지 품질의 정량적 평가(에지 상승 거리)
기간: 4개월
|
ERD(Edge rise distance)를 계산하여 이미지 선명도를 정량화했습니다.
ERD는 이미지 선명도의 척도로 결정되었습니다.
이를 위해 전립선 캡슐의 등쪽 경계를 수직으로 가로지르는 선을 그렸습니다.
에지 상승 거리는 낮은 신호 강도 영역과 높은 신호 강도 영역에 상대적인 10%와 90% 신호 강도 수준 사이의 거리(mm)로 결정되었습니다.
단방향 ANOVA는 유의한 차이를 나타내는 것으로 간주되는 p<0.05로 유의성 테스트에 사용되었습니다.
|
4개월
|
공동 작업자 및 조사자
여기에서 이 연구와 관련된 사람과 조직을 찾을 수 있습니다.
수사관
- 수석 연구원: Julian A Luetkens, PD Dr. med., University Hospital, Bonn
간행물 및 유용한 링크
연구에 대한 정보 입력을 담당하는 사람이 자발적으로 이러한 간행물을 제공합니다. 이것은 연구와 관련된 모든 것에 관한 것일 수 있습니다.
일반 간행물
- 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.
연구 기록 날짜
이 날짜는 ClinicalTrials.gov에 대한 연구 기록 및 요약 결과 제출의 진행 상황을 추적합니다. 연구 기록 및 보고된 결과는 공개 웹사이트에 게시되기 전에 특정 품질 관리 기준을 충족하는지 확인하기 위해 국립 의학 도서관(NLM)에서 검토합니다.
연구 주요 날짜
연구 시작 (실제)
2022년 8월 1일
기본 완료 (실제)
2022년 11월 30일
연구 완료 (실제)
2022년 11월 30일
연구 등록 날짜
최초 제출
2023년 2월 6일
QC 기준을 충족하는 최초 제출
2023년 4월 6일
처음 게시됨 (실제)
2023년 4월 19일
연구 기록 업데이트
마지막 업데이트 게시됨 (실제)
2023년 4월 19일
QC 기준을 충족하는 마지막 업데이트 제출
2023년 4월 6일
마지막으로 확인됨
2023년 4월 1일
추가 정보
이 정보는 변경 없이 clinicaltrials.gov 웹사이트에서 직접 가져온 것입니다. 귀하의 연구 세부 정보를 변경, 제거 또는 업데이트하도록 요청하는 경우 register@clinicaltrials.gov. 문의하십시오. 변경 사항이 clinicaltrials.gov에 구현되는 즉시 저희 웹사이트에도 자동으로 업데이트됩니다. .