Deep Learning Super Resolution Rekonstruktion för snabb och rörelse Robust T2-vägd prostata MRI

Prostatacancer har varit bland de vanligaste cancertyperna hos män i åratal, och ansvarar för 7,8 % av alla nydiagnostiserade fall 2020, och ligger på 2:e plats efter lungcancer. Tidig och icke-invasiv diagnostik förbättrades avsevärt genom multiparametrisk MRT (mpMRI) av prostata, upptäckt av kliniskt signifikant prostatacancer och bildade baslinjen för guidad biopsi av prostata, samtidigt som det kan förhindra onödiga biopsier hos patienter med förhöjt prostataspecifikt antigen, men inga synliga skador. Med en åldrande befolkning krävs snabba, effektiva och högkvalitativa MR-undersökningar för att tillgodose denna ökande efterfrågan. Deep learning bildrekonstruktion har blivit allt viktigare att lösa dessa uppgifter för att producera högkvalitativa bilder samtidigt som den drastiskt minskar inhämtningstiden.

Standardinsamlingsprotokoll för prostata mpMRI inkluderar T2-vägda, diffusionsvägda och dynamiskt kontrastförstärkta sekvenser för att möjliggöra klassificering av prostataskador enligt Prostate Imaging Reporting & Data System (PI-RADS). Medan tilldelningen av PI-RADS-poängen i den perifera zonen av prostatan huvudsakligen bestäms av den diffusionsvägda avbildningen, är de T2-vägda sekvenserna huvudsakligen ansvariga för bedömningen av övergångszonen. En grundlig bedömning av prostatan kräver dessutom förvärv av T2-viktade sekvenser i axiella och sagittala plan, vilket förlänger inhämtningstiden för MRT-protokoll. Olika tillvägagångssätt har föreslagits för att påskynda och förbättra bildinsamlingen, allt från implementering av förkortade protokoll till förbättring av diffusionsviktade sekvenser eller användning av komprimerad avkänning för rekonstruktion av icke-kartesiska T2-vägda sekvenser. Förutom dessa metoder som bygger på traditionella förvärv och rekonstruktionsmetoder, har bildrekonstruktion av djupinlärning (DL) blivit allt viktigare för att lösa dessa uppgifter för att producera högkvalitativa bilder samtidigt som den drastiskt minskar inhämtningstiden.

Trots det är tillförlitliga DL-metoder för processen för bildinsamling och rekonstruktion av prostata mpMRI sparsamma. Medan första tillvägagångssätt för DL-denoising har etablerats, som effektivt ersätter den konventionella wavelet-funktionen, är resten av den iterativa rekonstruktionscykeln opåverkad och inverkan på diagnostisk prestanda av PI-RADS-poängen förblir oklar. Nyligen utvecklade superupplösningsnätverk för djupinlärning lovar att övervinna denna begränsning. Första resultat för DL denoising i olika applikationer, t.ex. i muskuloskeletal MRI visar redan goda resultat, vilket leder till betydande acceleration av förvärvstid samtidigt som hög bildkvalitet bibehålls. Däremot har tillämpningen av dessa försämrande DL-nätverk i kombination med mer avancerade superupplösningsnätverk i prostata mpMRI inte utvärderats ännu.

I denna prospektiva studie, mellan augusti och november 2022, genomgick deltagare med misstanke om prostatacancer prostata-MR med standard högupplösta kartesiska T2 (T2C) och icke-kartesiska T2 (T2NC) sekvenser. Dessutom förvärvades en lågupplöst kartesisk T2 TSE (T2SR) med DL-nedtoning och superupplösningsrekonstruktion. Artefakter, bildskärpa, synliga lesioner, kapselavgränsning, övergripande bildkvalitet och diagnostiskt tillförlitlighet bedömdes på en 5-punkts Likert-skala med att vara icke-diagnostisk och 5 vara utmärkt. Skenbart signal-brusförhållande (aSNR), kontrast-till-brusförhållande (aCNR) och kanthöjningsavstånd (ERD) beräknades. Friedman test och One-way ANOVA användes för gruppjämförelser. När det gäller överensstämmelse mellan PI-RADS jämfördes poäng med Cohens Kappa.