Deep Learning Super Resolution Rekonstruksjon for rask og bevegelse Robust T2-vektet prostata MR

Prostatakreft har vært blant de mest utbredte krefttypene hos menn i årevis, og har vært ansvarlig for 7,8 % av alle nydiagnostiserte tilfeller i 2020, og har en 2. plass rett etter lungekreft. Tidlig og ikke-invasiv diagnostikk ble betydelig forbedret ved multiparametrisk MR (mpMRI) av prostata, som oppdager klinisk signifikant prostatakreft og danner grunnlaget for veiledet biopsi av prostata, mens det kan forhindre unødvendige biopsier hos pasienter med forhøyet prostataspesifikt antigen, men ingen synlige lesjoner. Med en aldrende befolkning er det nødvendig med raske, effektive og høykvalitative MR-skanninger for å tilfredsstille denne økende etterspørselen. Rekonstruksjon av bilder med dyp læring har blitt stadig viktigere for å løse disse oppgavene for å produsere høykvalitative bilder samtidig som det reduserer innhentingstiden drastisk.

Standard innsamlingsprotokoller for prostata mpMRI inkluderer T2-vektede, diffusjonsvektede og dynamisk kontrastforsterkede sekvenser for å tillate klassifisering av prostatalesjoner i henhold til Prostate Imaging Reporting & Data System (PI-RADS). Mens tildelingen av PI-RADS-skåren i den perifere sonen av prostata hovedsakelig bestemmes av diffusjonsvektet avbildning, er de T2-vektede sekvensene hovedsakelig ansvarlige for vurderingen av overgangssonen. Videre nødvendiggjør grundig vurdering av prostata innhenting av T2-vektede sekvenser i aksiale og sagittale plan, og forlenger dermed innsamlingstiden for MR-protokoller. Ulike tilnærminger har blitt foreslått for å akselerere og forbedre bildeinnsamlingen, alt fra implementering av forkortede protokoller til forbedring av diffusjonsvektede sekvenser eller bruk av komprimert sensing for rekonstruksjon av ikke-kartesiske T2-vektede sekvenser. I tillegg til disse metodene som er avhengige av tradisjonelle anskaffelses- og rekonstruksjonsmetoder, har bilderekonstruksjon av dyp læring (DL) blitt stadig viktigere for å løse disse oppgavene for å produsere høykvalitative bilder samtidig som den reduserer innhentingstiden drastisk.

Til tross for det er pålitelige DL-metoder for prosessen med bildeopptak og rekonstruksjon av selve prostata mpMRI sparsomme. Mens første tilnærminger for DL-denoising er etablert, og effektivt erstatter den konvensjonelle wavelet-funksjonen, er resten av den iterative rekonstruksjonssyklusen upåvirket, og innvirkningen på diagnostisk ytelse av PI-RADS-skåren er fortsatt uklar. Nylig utviklede dyplæringsnettverk med superoppløsning lover å overvinne denne begrensningen. Første resultater for DL ​​denoising i forskjellige applikasjoner, f.eks. i muskuloskeletal MR viser allerede gode resultater, noe som fører til betydelig akselerasjon av innsamlingstid samtidig som høy bildekvalitet opprettholdes. Imidlertid har ikke bruken av disse forringende DL-nettverkene i kombinasjon med mer avanserte superoppløsningsnettverk i prostata mpMRI blitt evaluert ennå.

I denne prospektive studien, mellom august og november 2022, gjennomgikk deltakere med mistanke om prostatakreft prostata MR med standard høyoppløselige kartesiske T2 (T2C) og ikke-kartesiske T2 (T2NC) sekvenser. I tillegg ble en lavoppløselig kartesisk T2 TSE (T2SR) med DL-denoising og superoppløsningsrekonstruksjon anskaffet. Artefakter, bildeskarphet, iøynefallende lesjon, kapselavgrensning, generell bildekvalitet og diagnostisk konfidens ble vurdert på en 5-punkts Likert-skala med å være ikke-diagnostisk og 5 være utmerket. Tilsynelatende signal-til-støy-forhold (aSNR), kontrast-til-støy-forhold (aCNR) og kantstigningsavstand (ERD) ble beregnet. Friedman test og One-way ANOVA ble brukt til gruppesammenlikninger. Når det gjelder samsvar mellom PI-RADS ble skårene sammenlignet med Cohens Kappa.