Reconstrução de super resolução de aprendizagem profunda para ressonância magnética de próstata rápida e robusta ponderada em T2

O câncer de próstata está há anos entre os tipos de câncer mais prevalentes em homens, sendo responsável por 7,8% de todos os novos casos diagnosticados em 2020, ocupando o 2º lugar logo após o câncer de pulmão. O diagnóstico precoce e não invasivo foi amplamente aprimorado pela ressonância magnética multiparamétrica (mpMRI) da próstata, detectando câncer de próstata clinicamente significativo e formando a linha de base para a biópsia guiada da próstata, enquanto pode evitar biópsias desnecessárias em pacientes com antígeno prostático específico elevado, mas sem lesões visíveis. Com o envelhecimento da população, exames de ressonância magnética rápidos, eficientes e altamente qualitativos são necessários para atender a essa demanda crescente. A reconstrução de imagem com aprendizagem profunda tornou-se cada vez mais importante para resolver essas tarefas para produzir imagens altamente qualitativas, reduzindo drasticamente o tempo de aquisição.

Os protocolos de aquisição padrão da mpMRI da próstata incluem sequências ponderadas em T2, ponderadas em difusão e com contraste dinâmico para permitir a classificação de lesões prostáticas de acordo com o Sistema de Dados e Relatórios de Imagens da Próstata (PI-RADS). Enquanto a atribuição do escore PI-RADS na zona periférica da próstata é determinada principalmente pela imagem ponderada em difusão, as sequências ponderadas em T2 são as principais responsáveis ​​pela avaliação da zona de transição. Além disso, a avaliação completa da próstata requer a aquisição de sequências ponderadas em T2 nos planos axial e sagital, estendendo assim o tempo de aquisição dos protocolos de ressonância magnética. Diferentes abordagens têm sido propostas para acelerar e melhorar a aquisição de imagens, desde a implementação de protocolos encurtados até a melhoria de sequências ponderadas por difusão ou usando sensoriamento comprimido para a reconstrução de sequências não cartesianas ponderadas em T2. Além desses métodos que dependem de métodos tradicionais de aquisição e reconstrução, a reconstrução de imagens de aprendizado profundo (DL) tornou-se cada vez mais importante para resolver essas tarefas para produzir imagens altamente qualitativas, reduzindo drasticamente o tempo de aquisição.

Apesar disso, métodos DL confiáveis ​​para o processo de aquisição de imagens e reconstrução da própria mpMRI da próstata são escassos. Embora as primeiras abordagens para redução de ruído DL tenham sido estabelecidas, substituindo efetivamente a função wavelet convencional, o restante do ciclo de reconstrução iterativa não é afetado e o impacto no desempenho diagnóstico do escore PI-RADS permanece incerto. Redes de aprendizado profundo de super resolução recentemente desenvolvidas prometem superar essa limitação. Primeiros resultados para remoção de ruído DL em diferentes aplicações, por ex. em ressonância magnética musculoesquelética já apresentam bons resultados, levando a uma aceleração significativa do tempo de aquisição, mantendo alta qualidade de imagem. No entanto, a aplicação dessas redes DL de redução de ruído em combinação com redes de super resolução mais avançadas em mpMRI de próstata ainda não foi avaliada.

Neste estudo prospectivo, entre agosto e novembro de 2022, participantes com suspeita de câncer de próstata realizaram ressonância magnética de próstata com sequências padrão cartesiana T2 (T2C) e não cartesiana (T2NC) de alta resolução. Além disso, um T2 TSE (T2SR) cartesiano de baixa resolução com remoção de ruído DL e reconstrução de super resolução foi adquirido. Artefatos, nitidez da imagem, conspicuidade da lesão, delineamento da cápsula, qualidade geral da imagem e confiança diagnóstica foram classificados em uma escala Likert de 5 pontos como sendo não diagnóstico e 5 sendo excelente. A relação sinal-ruído aparente (aSNR), relação contraste-ruído (aCNR) e distância de subida de borda (ERD) foram calculadas. O teste de Friedman e ANOVA de uma via foram usados ​​para comparações de grupos. Quanto à concordância dos escores do PI-RADS, foram comparados com o Kappa de Cohen.