用于快速和运动稳健 T2 加权前列腺 MRI 的深度学习超分辨率重建

多年来，前列腺癌一直是男性最常见的癌症类型之一，占 2020 年所有新诊断病例的 7.8%，仅次于肺癌，位居第二。 前列腺的多参数 MRI (mpMRI) 极大地改善了早期和非侵入性诊断，检测具有临床意义的前列腺癌并形成前列腺引导活检的基线，同时它可以防止前列腺特异性抗原升高的患者进行不必要的活检，但没有可见的病变。 随着人口老龄化，需要快速、高效和高质量的 MRI 扫描来满足这一日益增长的需求。 深度学习图像重建已变得越来越重要，它可以解决这些任务以生成高质量的图像，同时大幅缩短采集时间。

前列腺 mpMRI 的标准采集协议包括 T2 加权、扩散加权和动态对比增强序列，以便根据前列腺成像报告和数据系统 (PI-RADS) 对前列腺病变进行分类。 虽然前列腺周边区域的 PI-RADS 评分分配主要由弥散加权成像确定，但 T2 加权序列主要负责过渡区域的评估。 此外，对前列腺进行全面评估需要在轴向和矢状平面上采集 T2 加权序列，从而延长 MRI 协议的采集时间。 已经提出了不同的方法来加速和改进图像采集，从缩短协议的实施到扩散加权序列的改进或使用压缩传感重建非笛卡尔 T2 加权序列。 除了这些依赖于传统采集和重建方法的方法外，深度学习 (DL) 图像重建已变得越来越重要，可以解决这些任务以生成高质量的图像，同时大幅缩短采集时间。

尽管如此，用于前列腺 mpMRI 本身的图像采集和重建过程的可靠 DL 方法很少。 虽然已经建立了 DL 去噪的第一种方法，有效地取代了传统的小波函数，但迭代重建周期的其余部分不受影响，并且对 PI-RADS 评分的诊断性能的影响仍不清楚。 最近开发的超分辨率深度学习网络有望克服这一限制。 DL 去噪在不同应用中的初步结果，例如在肌肉骨骼 MRI 中已经显示出良好的结果，导致采集时间显着加快，同时保持高图像质量。 然而，这些去噪 DL 网络与更先进的超分辨率网络相结合在前列腺 mpMRI 中的应用尚未得到评估。

在这项前瞻性研究中，在 2022 年 8 月至 2022 年 11 月期间，怀疑患有前列腺癌的参与者接受了具有标准高分辨率笛卡尔 T2 (T2C) 和非笛卡尔 T2 (T2NC) 序列的前列腺 MRI。 此外，还获得了具有 DL 去噪和超分辨率重建功能的低分辨率笛卡尔 T2 TSE (T2SR)。 伪影、图像清晰度、病变显着性、胶囊轮廓、整体图像质量和诊断置信度在 5 分李克特量表上进行评级，其中 5 分为不可诊断，5 分为优秀。 计算表观信噪比 (aSNR)、对比度噪声比 (aCNR) 和边缘上升距离 (ERD)。 弗里德曼检验和单向方差分析用于组间比较。 关于 PI-RADS 分数的一致性，将其与 Cohen 的 Kappa 进行了比较。