Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Đánh giá ảnh hưởng của tái tạo học sâu đến chất lượng hình ảnh khuếch tán và hệ số khuếch tán rõ ràng bằng cách sử dụng mô phỏng nước đá
Radiological Physics and Technology - Trang 1-9 - 2023
Tóm tắt
Nghiên cứu này đánh giá ảnh hưởng của tái tạo học sâu (DLR) đến chất lượng của hình ảnh khuếch tán (DWI) và hệ số khuếch tán rõ ràng (ADC) bằng cách sử dụng một mô phỏng nước đá. Một mô phỏng nước đá với các thuộc tính khuếch tán đã biết (ADC thực = 1.1 × 10–3 mm2/s tại 0 °C) đã được chụp hình ở các giá trị b khác nhau (0, 1000, 2000 và 4000 s/mm2) bằng máy chụp cộng hưởng từ 3 T với độ dày cắt 1.5 và 3.0 mm. Tất cả các DWI được tái tạo có hoặc không có DLR. Bản đồ ADC đã được tạo ra bằng cách sử dụng các tổ hợp giá trị b 0 và 1000, 0 và 2000, và 0 và 4000 s/mm2. Dựa trên hồ sơ liên minh sinh trắc hình ảnh định lượng, tỷ lệ tín hiệu trên nhiễu (SNR) trong DWI đã được tính toán và độ chính xác, độ tinh vi và phương sai tham số giữa các đối tượng (wCV) của các ADC được đánh giá. DLR cải thiện SNR trong DWI với các giá trị b từ 0 đến 2000s/mm2; tuy nhiên, hiệu quả của nó giảm đi ở 4000 s/mm2. Không có sự khác biệt đáng chú ý ở các giá trị ADC của hình ảnh được tạo ra với hoặc không áp dụng DLR. Đối với độ dày cắt 1.5 mm và giá trị b kết hợp 0 và 4000 s/mm2, giá trị ADC là 0.97 × 10–3 và 0.98 × 10–3 mm2/s với và không với DLR, cả hai đều thấp hơn giá trị ADC thực. Hơn nữa, DLR tăng cường độ tinh vi và wCV của các phép đo ADC. DLR có thể nâng cao SNR, khả năng lặp lại và độ chính xác của các phép đo ADC; tuy nhiên, nó không cải thiện độ chính xác của chúng.
Từ khóa
Tài liệu tham khảo
Weinreb JC, Barentsz JO, Choyke PL, Cornud F, Haider MA, Macura KJ, et al. PI-RADS prostate imaging - reporting and data system: 2015, version 2. Eur Urol. 2016;69:16–40. https://doi.org/10.1016/j.eururo.2015.08.052.
Turkbey B, Rosenkrantz AB, Haider MA, Padhani AR, Villeirs G, Macura KJ, Reporting PI, Version DS, et al. Update of prostate imaging reporting and data system version 2. Eur Urol. 2019;2019(76):340–51. https://doi.org/10.1016/j.eururo.2019.02.033.
Lee SI, Atri M. 2018 FIGO staging system for uterine cervical cancer: enter cross-sectional imaging. Radiology. 2019;292:15–24. https://doi.org/10.1148/radiol.2019190088.
Le Bihan DBE, Lallemand D, Grenier P, Cabanis E, Laval-Jeantet M. MR imaging of intravoxel incoherent motions: application to diffusion and perfusion in neurologic disorders. Radiology. 1986;161:401–7. https://doi.org/10.1148/radiology.161.2.3763909.
Surov A, Eger KI, Potratz J, Gottschling S, Wienke A, Jechorek D. Apparent diffusion coefficient correlates with different histopathological features in several intrahepatic tumors. Eur Radiol. 2023;33:5955–64. https://doi.org/10.1007/s00330-023-09788-6.
Ueda T, Ohno Y, Yamamoto K, Murayama K, Ikedo M, Yui M, et al. Deep learning reconstruction of diffusion-weighted mri improves image quality for prostatic imaging. Radiology. 2022;303:373–81. https://doi.org/10.1148/radiol.204097.
Kidoh M, Shinoda K, Kitajima M, Isogawa K, Nambu M, Uetani H, et al. Deep learning based noise reduction for brain mr imaging: tests on phantoms and healthy volunteers. Magn Reson Med Sci. 2020;19:195–206. https://doi.org/10.2463/mrms.mp.2019-0018.
Sagawa H, Fushimi Y, Nakajima S, Fujimoto K, Miyake KK, Numamoto H, et al. Deep learning-based noise reduction for fast volume diffusion tensor imaging: assessing the noise reduction effect and reliability of diffusion metrics. Magn Reson Med Sci. 2021;20:450–6. https://doi.org/10.2463/mrms.tn.2020-0061.
Tanabe M, Higashi M, Yonezawa T, Yamaguchi T, Iida E, Furukawa M, et al. Feasibility of high-resolution magnetic resonance imaging of the liver using deep learning reconstruction based on the deep learning denoising technique. Magn Reson Imaging. 2021;80:121–6. https://doi.org/10.1016/j.mri.2021.05.001.
Ueda T, Ohno Y, Yamamoto K, Iwase A, Fukuba T, Hanamatsu S, et al. Compressed sensing and deep learning reconstruction for women’s pelvic MRI denoising: utility for improving image quality and examination time in routine clinical practice. Eur J Radiol. 2021;134: 109430. https://doi.org/10.1016/j.ejrad.2020.109430.
Yokota Y, Takeda C, Kidoh M, Oda S, Aoki R, Ito K, et al. Effects of deep learning reconstruction technique in high-resolution non-contrast magnetic resonance coronary angiography at a 3-tesla machine. Can Assoc Radiol J. 2021;72:120–7. https://doi.org/10.1177/0846537119900469.
Kashiwagi N, Sakai M, Tsukabe A, Yamashita Y, Fujiwara M, Yamagata K, et al. Ultrafast cervcial spine MRI protocol using deep learning-based reconstruction: diagnostic equivalence to a conventional protocol. Eur J Radiol. 2022;156: 110531. https://doi.org/10.1016/j.ejrad.2022.110531.
Akai H, Yasaka K, Sugawara H, Tajima T, Kamitani M, Furuta T, et al. Acceleration of knee magnetic resonance imaging using a combination of compressed sensing and commercially available deep learning reconstruction: a preliminary study. BMC Med Imaging. 2023;23:5. https://doi.org/10.1186/s12880-023-00962-2.
Hanamatsu S, Murayama K, Ohno Y, Yamamoto K, Yui M, Toyama H. Deep learning reconstruction for brain diffusion-weighted imaging: efficacy for image quality improvement, apparent diffusion coefficient assessment, and intravoxel incoherent motion evaluation in in vitro and in vivo studies. Diagn Interv Radiol. 2023. https://doi.org/10.4274/dir.2023.232149.
RSNA Quantitative imaging Biomarkers Alliance. QIBA Profile: Magnetic Resonance Diffusion-Weighted Imaging (DWI) of the Apparent Diffusion Coefficient (ADC); 2022. https://qibawiki.rsna.org/images/b/b0/QIBA_DWIProfile_Stage3_15Dec2022_v3.pdf. Accessed 9 Apr 2023.
Chenevert TL, Galban CJ, Ivancevic MK, Rohrer SE, Londy FJ, Kwee TC, et al. Diffusion coefficient measurement using a temperature-controlled fluid for quality control in multicenter studies. J Magn Reson Imaging. 2011;34:983–7. https://doi.org/10.1002/jmri.22363.
Malyarenko D, Galban CJ, Londy FJ, Meyer CR, Johnson TD, Rehemtulla A, et al. Multi-system repeatability and reproducibility of apparent diffusion coefficient measurement using an ice-water phantom. J Magn Reson Imaging. 2013;37:1238–46. https://doi.org/10.1002/jmri.23825.
Doblas S, Almeida GS, Ble FX, Garteiser P, Hoff BA, McIntyre DJ, et al. Apparent diffusion coefficient is highly reproducible on preclinical imaging systems: evidence from a seven-center multivendor study. J Magn Reson Imaging. 2015;42:1759–64. https://doi.org/10.1002/jmri.24955.
Yoshida T, Urikura A, Hosokawa Y, Shirata K, Nakaya Y, Endo M. Apparent diffusion coefficient measurement using thin-slice diffusion-weighted magnetic resonance imaging: assessment of measurement errors and repeatability. Radiol Phys Technol. 2021;14:203–9. https://doi.org/10.1007/s12194-021-00616-4.
Prah DE, Paulson ES, Nencka AS, Schmainda KM. A simple method for rectified noise floor suppression: phase-corrected real data reconstruction with application to diffusion-weighted imaging. Magn Reson Med. 2010;64:418–29. https://doi.org/10.1002/mrm.22407.
Ohno N, Miyati T, Kobayashi S, Gabata T. Modified triexponential analysis of intravoxel incoherent motion for brain perfusion and diffusion. J Magn Reson Imaging. 2016;43:818–23. https://doi.org/10.1002/jmri.25048.
Mournet S, Okubo G, Koubiyr I, Zhang B, Kusahara H, Prevost VH, et al. Higher b-values improve the correlation between diffusion MRI and the cortical microarchitecture. Neuroradiology. 2020;62:1411–9. https://doi.org/10.1007/s00234-020-02462-4.
Michoux NF, Ceranka JW, Vandemeulebroucke J, Peeters F, Lu P, Absil J, et al. Repeatability and reproducibility of ADC measurements: a prospective multicenter whole-body-MRI study. Eur Radiol. 2021;31:4514–27. https://doi.org/10.1007/s00330-020-07522-0.