Реконструкция сверхвысокого разрешения с глубоким обучением для быстрой и надежной МРТ предстательной железы с Т2-взвешенным изображением в движении

Рак предстательной железы в течение многих лет был одним из наиболее распространенных видов рака у мужчин, на него приходилось 7,8% всех впервые диагностированных случаев в 2020 году, занимая 2-е место сразу после рака легких. Ранняя и неинвазивная диагностика была значительно улучшена благодаря многопараметрической МРТ (мпМРТ) предстательной железы, позволяющей выявлять клинически значимый рак предстательной железы и формировать основу для направленной биопсии предстательной железы, в то время как это может предотвратить ненужные биопсии у пациентов с повышенным содержанием специфического антигена простаты, но без видимых поражений. В условиях старения населения для удовлетворения этого растущего спроса необходимы быстрые, эффективные и высококачественные МРТ. Реконструкция изображений с помощью глубокого обучения становится все более важной при решении этих задач для получения высококачественных изображений при значительном сокращении времени получения.

Стандартные протоколы мпМРТ предстательной железы включают T2-взвешенные, диффузионно-взвешенные и динамически контрастированные последовательности, позволяющие классифицировать поражения предстательной железы в соответствии с Системой отчетов и данных о визуализации простаты (PI-RADS). В то время как оценка PI-RADS в периферической зоне предстательной железы в основном определяется диффузионно-взвешенной визуализацией, Т2-взвешенные последовательности в основном отвечают за оценку переходной зоны. Кроме того, тщательная оценка простаты требует получения Т2-взвешенных последовательностей в аксиальной и сагиттальной плоскостях, что увеличивает время получения протоколов МРТ. Были предложены различные подходы для ускорения и улучшения получения изображений, начиная от реализации укороченных протоколов и заканчивая улучшением диффузионно-взвешенных последовательностей или использованием сжатого зондирования для реконструкции недекартовых Т2-взвешенных последовательностей. Помимо этих методов, которые основаны на традиционных методах получения и реконструкции, реконструкция изображений с помощью глубокого обучения (DL) становится все более важной для решения этих задач для получения высококачественных изображений при резком сокращении времени получения.

Несмотря на это, надежных DL-методов для процесса получения изображения и реконструкции самой мпМРТ предстательной железы немного. В то время как первые подходы к шумоподавлению DL были установлены, эффективно заменяя обычную функцию вейвлета, оставшаяся часть цикла итеративной реконструкции не затрагивается, и влияние на диагностическую эффективность оценки PI-RADS остается неясным. Недавно разработанные сети глубокого обучения сверхвысокого разрешения обещают преодолеть это ограничение. Первые результаты шумоподавления DL в различных приложениях, например. в костно-мышечной МРТ уже показывают хорошие результаты, что приводит к значительному ускорению времени сбора данных при сохранении высокого качества изображения. Однако применение этих шумоподавляющих DL-сетей в сочетании с более совершенными сетями сверхвысокого разрешения в мпМРТ предстательной железы еще не оценивалось.

В этом проспективном исследовании в период с августа по ноябрь 2022 года участникам с подозрением на рак простаты была проведена МРТ простаты со стандартной декартовой T2 (T2C) и недекартовой T2 (T2NC) последовательностями высокого разрешения. Кроме того, был получен декартовский T2 TSE (T2SR) с низким разрешением с шумоподавлением DL и реконструкцией сверхвысокого разрешения. Артефакты, резкость изображения, заметность поражения, очерчивание капсулы, общее качество изображения и диагностическая достоверность оценивались по 5-балльной шкале Лайкерта, где 5 баллов были недиагностическими, а 5 — отличными. Были рассчитаны кажущееся отношение сигнал-шум (aSNR), отношение контрастности-шума (aCNR) и расстояние подъема края (ERD). Критерий Фридмана и однофакторный дисперсионный анализ использовались для групповых сравнений. Что касается совпадения оценок PI-RADS, их сравнивали с Каппа Коэна.