Deep Learning superresolutie-reconstructie voor snelle en bewegende robuuste T2-gewogen prostaat-MRI

Prostaatkanker behoort al jaren tot de meest voorkomende kankersoorten bij mannen en is verantwoordelijk voor 7,8% van alle nieuw gediagnosticeerde gevallen in 2020, met de 2e plaats direct na longkanker. Vroege en niet-invasieve diagnostiek werd enorm verbeterd door multiparametrische MRI (mpMRI) van de prostaat, die klinisch significante prostaatkanker detecteert en de basis vormt voor geleide biopsie van de prostaat, terwijl het onnodige biopsieën kan voorkomen bij patiënten met verhoogd prostaatspecifiek antigeen, maar geen zichtbare laesies. Met een vergrijzende bevolking zijn snelle, efficiënte en kwalitatief hoogstaande MRI-scans nodig om aan deze toenemende vraag te voldoen. Deep learning beeldreconstructie is steeds belangrijker geworden bij het oplossen van deze taken om zeer kwalitatieve beelden te produceren terwijl de acquisitietijd drastisch wordt verkort.

Standaard acquisitieprotocollen van prostaat mpMRI omvatten T2-gewogen, diffusiegewogen en dynamisch contrastversterkte sequenties om de classificatie van prostaatlaesies mogelijk te maken volgens het Prostate Imaging Reporting & Data System (PI-RADS). Terwijl de toewijzing van de PI-RADS-score in de perifere zone van de prostaat voornamelijk wordt bepaald door de diffusiegewogen beeldvorming, zijn de T2-gewogen sequenties voornamelijk verantwoordelijk voor de beoordeling van de overgangszone. Bovendien vereist een grondige beoordeling van de prostaat acquisitie van T2-gewogen sequenties in axiale en sagittale vlakken, waardoor de acquisitietijd van MRI-protocollen wordt verlengd. Er zijn verschillende benaderingen voorgesteld om de beeldacquisitie te versnellen en te verbeteren, variërend van de implementatie van verkorte protocollen tot de verbetering van diffusiegewogen sequenties of het gebruik van gecomprimeerde detectie voor de reconstructie van niet-cartesiaanse T2-gewogen sequenties. Naast deze methoden die berusten op traditionele acquisitie- en reconstructiemethoden, is deep learning (DL) beeldreconstructie steeds belangrijker geworden om deze taken op te lossen om zeer kwalitatieve beelden te produceren terwijl de acquisitietijd drastisch wordt verkort.

Desondanks zijn betrouwbare DL-methoden voor het proces van beeldacquisitie en reconstructie van prostaat-mpMRI zelf schaars. Hoewel de eerste benaderingen voor DL-denoising zijn vastgesteld, die de conventionele wavelet-functie effectief vervangen, blijft de rest van de iteratieve reconstructiecyclus onaangetast en blijft de impact op de diagnostische prestaties van de PI-RADS-score onduidelijk. Recent ontwikkelde deep learning-netwerken met superresolutie zijn veelbelovend om deze beperking te overwinnen. Eerste resultaten voor DL-ruisonderdrukking in verschillende toepassingen, b.v. in musculoskeletale MRI laten al goede resultaten zien, wat leidt tot een aanzienlijke versnelling van de acquisitietijd met behoud van een hoge beeldkwaliteit. De toepassing van deze ruisonderdrukkende DL-netwerken in combinatie met meer geavanceerde superresolutienetwerken in mpMRI in de prostaat is echter nog niet geëvalueerd.

In deze prospectieve studie, tussen augustus en november 2022, ondergingen deelnemers met verdenking op prostaatkanker prostaat-MRI met standaard hoge resolutie Cartesiaanse T2 (T2C) en niet-Cartesiaanse T2 (T2NC) sequenties. Bovendien werd een Cartesiaanse T2 TSE (T2SR) met lage resolutie met DL-ruisonderdrukking en reconstructie met superresolutie verkregen. Artefacten, beeldscherpte, opvallendheid van de laesie, afbakening van het kapsel, algehele beeldkwaliteit en diagnostisch vertrouwen werden beoordeeld op een 5-punts Likert-schaal waarbij niet-diagnostisch en 5 uitstekend was. Schijnbare signaal-ruisverhouding (aSNR), contrast-ruisverhouding (aCNR) en randstijgingsafstand (ERD) werden berekend. Friedman-test en One-way ANOVA werden gebruikt voor groepsvergelijkingen. Wat betreft overeenstemming van PI-RADS werden scores vergeleken met Cohen's Kappa.