分享:
分享到微信朋友圈
X
临床研究
人工智能-压缩感知加速的磁共振质子密度加权成像序列在膝关节骨关节炎软骨损伤评价中的应用研究
潘珂 黄小华 刘念 雷力行 刘倩倩

Cite this article as: Pan K, Huang XH, Liu N, et al. Study on application value of proton density weighted imaging accelerated with artificial intelligence‐compressed sensing in assessing cartilage injury in osteoarthritis of the knee[J]. Chin J Magn Reson Imaging, 2022, 13(10): 138-143, 156.本文引用格式:潘珂, 黄小华, 刘念, 等. 人工智能-压缩感知加速的磁共振质子密度加权成像序列在膝关节骨关节炎软骨损伤评价中的应用研究[J]. 磁共振成像, 2022, 13(10): 138-143, 156. DOI:10.12015/issn.1674-8034.2022.10.021.


[摘要] 目的 评价人工智能-压缩感知(artificial intelligence-compressed sensing, ACS)加速的质子密度加权成像(proton density weighted imaging, PDWI)序列在膝关节骨关节炎关节软骨损伤半定量评价中应用价值。材料与方法 本研究为前瞻性研究,采用3.0 T MRI对74名受检者扫描三组膝关节PDWI序列,分别采用并行采集(parallel imaging, PI)、压缩感知(compressed sensing, CS)、ACS进行加速。两位医师对图像质量进行4分制主观评分。将关节软骨分为14个区域,上述两位医师对软骨损伤进行8等级评价。此外,上述两位医师对其中15例受检者的3个区域软骨进行间隔超过一个月的两次评价。采用Friedman检验分析PI、CS、ACS图像主观质量评分差异。采用组内相关系数检验PI与CS、PI与ACS在14个区域软骨损伤评价中的一致性。计算CS与ACS在全关节软骨损伤评价中的敏感度与特异度。采用Cohen's Kappa系数分析15例受检者PI、CS、ACS前后两次软骨损伤评价的一致性。结果 PI、CS、ACS加速的PDWI采集时间分别为428 s、375 s、155 s。三组序列各断面间图像质量医师主观评分差异无统计学意义(P值分别为0.607、0.174、0.529)。CS与PI、ACS与PI在14个区域关节软骨损伤评分中一致性良好(ICC范围分别为0.969~0.995、0.951~0.987)。除去三组序列中软骨损伤均诊断为阴性的区域后,CS与PI、ACS与PI在14个区域关节软骨损伤评价中一致性仍为良好(ICC范围分别为0.868~0.939、0.842~0.948)。CS、ACS在全关节软骨评价中特异度分别为99.6%、98.2%,1~6级评分敏感度范围分别为42.3%~100.0%、17.3%~87.9%。PI、CS、ACS在15例受检者3个区域前后两次软骨损伤评价中一致性强(κ≥0.803)。结论 ACS能在保证图像质量的同时大幅度加速多平面MRI PDWI序列,并在膝关节骨关节炎多区域关节软骨损伤半定量评价中达到与并行采集加速序列相似的诊断效能。
[Abstract] Objective To explore the value of proton density weighted imaging (PDWI) accelerated with artificial intelligence-compressed sensing (ACS) for semiquantitatively assessing cartilage of the knee in osteoarthritis.Materials and Methods Seventy-four subjects were scanned with 3 T MRI scanner, undergoing three-plane PDWI accelerated with parallel imaging (PI), compressed sensing (CS) and ACS, respectively. The subjective image quality evaluation was performed by two radiologists using a 4‐point scale. The cartilage was divided into 14 regions. The two readers mentioned above graded cartilage abnormalities using an 8-point scale. In 15 of the subjects, the cartilages in 3 regions were graded twice at least a month apart. The Friedman test was used to analyze the differences of subjective image quality scores among PI, CS and ACS. Intra‐class correlation coefficient (ICC) was applied to assess consistency in grading cartilage abnormalities of CS‐PI and ACS‐PI. The specificity and sensitivity of CS and ACS in grading total articular cartilage injury were calculated. Cohen's Kappa was used to analyze intra‐reader agreement.Results Three‐plane PDWI accelerated with, PI, CS, ACS were acquired in 428 s, 375 s and 155 s, respectively. The subjective scores of the three-plane images were not different among the three groups (P=0.607, 0.174, 0.529, respectively). The agreement grading cartilage abnormalities in 14 regions of CS-PI, ACS‐PI were excellent (ICC ranging 0.969-0.995 and 0.951-0.987, respectively). Removing the regions with negative diagnosis in the three groups, the agreement in grading cartilage abnormalities of CS-PI, ACS-PI were still excellent (ICC ranging 0.868-0.939 and 0.842-0.948, respectively). The specificity of CS and ACS was 99.6% and 98.2%, respectively. The range of sensitivity of CS and ACS in grade 1-6 was 42.3%-100.0% and 17.3%-87.9%, respectively. Grading cartilage abnormalities showed perfect agreement (κ≥0.803) in 3 regions of 15 subjects for PI, CS and ACS.Conclusions ACS greatly accelerates multi‐plane MRI PDWI sequences while ensuring image quality, and achieve comparable diagnostic performance with sequences accelerated with parallel imaging in semi‐quantitative evaluation of multi‐region cartilage injury in knee osteoarthritis.
[关键词] 膝关节;骨关节炎;关节软骨;人工智能-压缩感知;质子密度加权成像;磁共振成像
[Keywords] knee joint;osteoarthritis;articular cartilage;artificial intelligence-compressed sensing;proton density weighted imaging;magnetic resonance imaging

潘珂    黄小华    刘念    雷力行    刘倩倩 *  

川北医学院附属医院放射科,南充 637000

刘倩倩,E-mail:296131626@qq.com

作者利益冲突声明:全体作者均声明无利益冲突。


基金项目: 四川省南充市市级应用技术研究与开发项目 20YFZJ0108 川北医学院附属医院科研发展计划项目 2022JC017
收稿日期:2022-06-15
接受日期:2022-10-08
中图分类号:R445.2  R684.3 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.10.021
本文引用格式:潘珂, 黄小华, 刘念, 等. 人工智能-压缩感知加速的磁共振质子密度加权成像序列在膝关节骨关节炎软骨损伤评价中的应用研究[J]. 磁共振成像, 2022, 13(10): 138-143, 156. DOI:10.12015/issn.1674-8034.2022.10.021.

       骨关节炎(osteoarthritis, OA)是严重影响患者身体健康与生活质量的退行性疾病,我国40岁以上人群总体患病率达46.3%,60岁以上人群高达62.1%,其主要症状为疼痛、关节强直、功能障碍,甚至丧失劳动能力,给家庭及社会带来沉重负担[1, 2, 3]。OA可累及全关节组织,关节软骨损伤在发病及病程进展中具有重要作用[4, 5]。全身关节OA中,膝关节最常受累,不同区域关节软骨损伤与疼痛、疾病进展关联性存在差异[6]。对OA早期的及时干预,如规范运动、减重及非甾体类药物应用等,能缓解疼痛、减少并发症,改善预后[7, 8]

       MRI图像征象与组织病理改变强相关,可在OA早期发现关节软骨病变,对诊断及治疗具有积极作用[9]。MRI临床应用受限于检查时间长,OA患者关节不适难以全程配合,出现图像质量下降、细节显示不清,导致误诊、漏诊,因此实现MRI快速采集十分必要。

       目前已有多项加速采集技术进入临床。并行采集(parallel imaging, PI)利用相控阵线圈空间敏感度差异实现加速采集,是目前应用最广泛的加速采集技术;但随加速因子增大,面临图像难以解码出现混叠伪影、噪声增加等问题,加速效率有限[10]。压缩感知(compressed sensing, CS)利用随机采样的非相干数据经稀疏变换后进行非线性迭代重建,降低重建图像必要的数据量,缩短采集时间;近十年内逐步应用于各部位MRI形态与功能成像[11, 12]。若多个维度存在可压缩性,CS大幅度加速采集的同时可提高空间分辨率或时间分辨率;但仅在一个维度具有可压缩性时CS加速效率有限,且面临图像信噪比下降、真实纹理丢失等难题[13]。人工智能-压缩感知(artificial intelligence-compressed sensing, ACS)基于深度学习算法,利用多模块组建级联深度卷积神经网络,从大量全采样图像中预先学习图像结构与内容参数,完成模型训练,并应用到亚采样图像重建中,减少重建必需的采样点数目来实现加速采集,并可同时增加空间分辨率、降低噪声、增强组织对比[14, 15]

       国内外已有ACS在MRI加速采集中的应用研究,多集中于肝脏、盆腔及颅脑[16, 17]。目前已有的膝关节方面应用研究仅进行定性评价[18, 19],未分析不同区域软骨损伤程度。本研究利用目前所有加速采集技术,PI、CS与ACS分别加速质子密度加权成像(proton density weighted imaging, PDWI)序列[20],分析三项加速采集技术在膝关节OA软骨损伤半定量评价中的表现,将对ACS应用于关节软骨损伤评价、预测疾病进展具有重要意义。本研究将以PI为参考,对CS、ACS加速的二维PDWI图像质量、不同区域关节软骨损伤的诊断表现进行深入分析。

1 材料与方法

1.1 研究对象

       本前瞻性研究遵守《赫尔辛基宣言》,经川北医学院附属医院医学伦理委员会批准(批准文号:2021ER162-1),受试者均签署知情同意书。纳入标准:(1)临床症状符合膝关节OA,如持续性疼痛,夜间疼痛,活动后加剧、休息后缓解的间歇性疼痛,以及活动受限[1];(2)无MRI禁忌证;(3)MRI征象符合OA表现[21];(4)年龄大于18岁。排除标准:(1)六个月内有外伤史或接受膝关节手术;(2)术后金属植入物影响图像分析;(3)无法完成全部序列或图像质量不佳。本研究招募2021年9月至2021年12月于川北医学院附属医院行MRI的膝关节OA患者80例,其中4例未完成全部序列,2例前交叉韧带术后金属植入物致邻近结构显示不清,最终纳入患者74例,男35例(47.3%),女39例(52.7%),年龄19~71(47±14)岁。

1.2 扫描方法

       本研究采用3.0 T超导MRI仪(uMR790,上海联影医疗科技有限公司,中国)与12通道膝关节相控阵线圈(上海联影医疗科技有限公司,中国)。受检者采用仰卧位,足先进。

       本研究将根据全关节MRI评分系统(Whole-Organ MRI Score, WORMS)[22],以信号变化、损伤厚度及范围为依据评价关节软骨损伤。常规膝关节MRI包含T1WI、T2WI、PDWI三种对比图像,研究中我们发现相较于T1WI及T2WI,PDWI兼顾显示软骨厚度及信号变化,并能良好鉴别关节腔积液与软骨部分损伤,因此本研究选择PDWI为主要评价序列。扫描序列为横断位、冠状位、矢状位脂肪抑制PDWI序列与矢状位T1WI。横断位PDWI序列扫描参数:TE 47 ms,TR 3200 ms,FOV 160 mm×160 mm,采集矩阵304×259,重建矩阵456×388,层厚3 mm,层间距0.3 mm,层数30。冠状位PDWI序列扫描参数:TE 40 ms,TR 2460 ms,FOV 160 mm×160 mm,采集矩阵304×228,重建矩阵456×342,层厚3 mm,层间距0.3 mm,层数24。矢状位PDWI序列扫描参数:TE 40 ms,TR 2460 ms,FOV 160 mm×160 mm,采集矩阵304×243,重建矩阵456×364,层厚3 mm,层间隔0.3 mm,层数26。矢状位T1WI序列扫描参数:TE 8.3 ms,TR 620 ms,FOV 160 mm×160 mm,采集矩阵448×336,重建矩阵672×504,层厚3 mm,层间隔 0.3 mm,层数26。以上三方位PDWI均分别采用PI 2.0,CS 2.0,ACS 3.0进行加速采集[23]。CS与ACS序列自动在设备内进行图像重建。

1.3 图像分析

1.3.1 图像质量主观评价

       采用医学影像处理软件(uWS-MR,上海联影医疗科技有限公司,中国)进行图像分析。两名医师(分别为具有12年影像诊断经验的副主任医师与具有5年诊断经验的主治医师)在对患者情况及序列参数不知情的情况下独立阅片,出现意见分歧时协商达成一致。采用4级评分对PDWI图像质量进行主观评价:1分,质量好、无伪影及噪声、细节清晰;2分,质量较好、存在少量噪声或伪影、细节清晰;3分,存在噪声或伪影、细节较清晰;4分,存在明显噪声或伪影、细节模糊。

1.3.2 诊断效能评价及一致性研究

       根据膝关节OA WORMS评价标准,关节软骨被分为14个区域,分别为髌骨内侧(medial patella, MP)、髌骨外侧(lateral patella, LP)、股骨内侧髁前部(medial femoral condyles anterior, MFa)、股骨内侧髁中部(medial femoral condyles central, MFc)、股骨内侧髁后部(medial femoral condyles posterior, MFp)、股骨外侧髁前部(lateral femoral condyles anterior, LFa)、股骨外侧髁中部(lateral femoral condyles central, LFc)、股骨外侧髁后部(lateral femoral condyles posterior, LFp)、胫骨内侧平台前部(medial tibial plateau anterior, MTa)、胫骨内侧平台中部(medial tibial plateau central, MTc)、胫骨内侧平台后部(medial tibial plateau posterior, MTp)、胫骨外侧平台前部(lateral tibial plateau anterior, LTa)、胫骨外侧平台中部(lateral tibial plateau central, LTc)、胫骨外侧平台后部(lateral tibial plateau posterior, LTp)(图1)。上述两位医师以冠、矢横断面PDWI为主要诊断序列,结合矢状位T1WI对PI、CS与ACS三组序列进行独立阅片,出现意见分歧时经协商达成一致,对14个区域关节软骨进行8等级评价(表1图2)。随机选择其中15例患者,上述两位医师间隔至少1个月对PI、CS与ACS三组序列中3个区域(MP,MFa,LTa)软骨再次进行评价。

图1  膝关节软骨分区图示。M为内侧;L为外侧;A为前部;C为中部;P为后部。
Fig. 1  Regional subdivision of the knee articular surfaces. M: medial; L: lateral; A: anterior; C: central; P: posterior.
图2  膝关节软骨损伤1~6级评分图。第一行图片为全关节MRI评分系统关节软骨损伤评分1~6级的矢状位脂肪抑制质子密度加权成像序列图;第二行图片为相应的T1加权序列图。1级,局部信号增高,厚度正常(细箭);2级,一处部分受损,宽度<1 cm(粗箭);2.5级,一处全层受损,宽度<1 cm(空心三角);3级,一处部分受损,宽度>1 cm且<该区域75%(实心三角);4级,弥漫性部分受损,宽度>该区域75%(实心扁三角);5级,一处全层受损损伤,宽度>1 cm且<该区域75%(空心星形);6级,弥漫性全层受损,宽度>该区域75%(实心星形)。
Fig. 2  Grade 1-6 scoring knee articular cartilage injury. The first line of images were sagittal fat suppression proton density weighted imaging displaying articular injury graded from 1 to 6 in Whole-Organ MRI Score, the second line of images were the corresponding T1 weighted imaging. Grade 1, normal thickness with increased signal (thin arrow); Grade 2, partial-thickness focal defect<1 cm in greatest width (thick arrow); Grade 2.5, full-thickness focal defect<1 cm in greatest width (hollow triangle); Grade 3, a Grade 2.0 defect wider than 1 cm but<75% of the region (solid triangle); Grade 4, diffuse (≥75% of the region) partial-thickness loss (solid flat triangle); Grade 5, a grade 2.5 lesion wider than 1 cm but<75% of the region (hollow star); Grade6, diffuse (≥75% of the region) full-thickness loss (solid star).
表1  全关节MRI评分系统膝关节软骨损伤评价标准
Tab. 1  The criteria for evaluating cartilage injury based on signal and morphology in Whole‐Organ MRI Score

1.4 统计学分析

       使用SPSS 23.0软件进行统计分析。采用Friedman检验对三组序列间图像质量主观评分整体差异进行分析。若存在整体差异,进一步采用Friedman-ANOVA检验将PI、CS、ACS进行两两比较。

       采用组内相关系数(intra-class correlation coefficient, ICC)检验CS与PI、ACS与PI在关节软骨损伤评价的一致性。由于大多数区域关节软骨损伤为阴性(评分为0),为进一步检验CS与PI、ACS与PI在损伤程度评价中一致性,除去三组序列中软骨损伤均诊断为阴性的区域后,再次采用ICC检验CS与PI、ACS与PI关节软骨损伤评价一致性。ICC<0.4认为一致性差,0.40≤ICC<0.75认为一致性中等,ICC≥0.75认为一致性良好。以PI为参考,计算CS与ACS在整体关节软骨损伤评价中的敏感度及特异度。采用Cohen's Kappa系数对15例受检者三组序列前后两次软骨损伤评价进行一致性检验。κ≤0.20为一致性较差,0.21<κ≤0.40为一致性一般,0.41<κ≤0.60为一致性中等,0.61<κ≤0.80为一致性较强,0.81<κ≤1.00为一致性强。P<0.05为差异具有统计学意义。

2 结果

2.1 扫描时间

       采用PI、CS与ACS进行加速的PDWI横断位采集时间分别为154 s、133 s、56 s;冠状位为118 s、102 s、41 s;矢状位为156 s、140 s、58 s。PI总扫描时间为428 s;CS总扫描时间为375 s,较PI缩短12.4%;ACS总扫描时间为155 s,较PI缩短63.8%。

2.2 图像质量主观评价

       横断位、冠状位、矢状位图像质量主观评价中,PI、CS与ACS三组间差异均不存在统计学意义(χ2值分别为1.000、3.500、1.273,P值分别为0.607、0.174、0.529)。

2.3 诊断效能评价及一致性评价

       CS与PI、ACS与PI在14个区域关节软骨损伤评价中一致性良好(ICC范围分别为0.969~0.995、0.951~0.987,P均<0.05)(表2)。除去三组序列均诊断软骨损伤阴性区域后,CS与PI、ACS与PI在14个区域关节软骨损伤评价一致性仍为良好(ICC范围分别为0.868~0.939、0.842~0.948,P均<0.05)(表2图3)。CS、ACS在全区域关节软骨评价中特异度分别为99.6%、98.2%,WORMS 1~6级评分敏感度分别为42.3%~100.0%、17.3%~87.9%(表3)。两位医师对15例受检者PI、CS、ACS三组序列3个区域关节软骨损伤前后两次评价一致性极强(PI在MP、MFa、LTa中κ分别为0.841、0.868、0.894;CS在MP、MFa、LTa中κ分别为0.832、0.888、0.805;ACS在MP、MFa、LTa中κ分别为0.910、0.890、0.803;P均<0.05)。

       compressed sensing (ACS) respectively. 3D-3F are coronal fat suppression proton density-weighted imaging sequences accelerated with PI, CS and ACS, respectively. 3G-3I are axial fat suppression proton density-weighted sequences accelerated with PI, CS and ACS, respectively. 3J is the corresponding T1 weighted imaging.

图3  女,56岁,右膝关节骨关节炎,右侧股骨内侧髁中部关节软骨弥漫性全层受损,宽度>该区域75%,WORMS评分为6。3A~3C分别为PI、CS、ACS加速的矢状面脂肪抑制质子密度加权成像序列图;3D~3E分别为PI、CS、ACS加速的冠状面脂肪抑制质子密度加权成像序列图;3G~3I分别为PI、CS、ACS加速的横断面脂肪抑制质子密度加权成像序列图;3J为相应的矢状面T1加权序列图。WORMS为全关节磁共振成像评分系统;PI为并行采集;CS为压缩感知;ACS为人工智能-压缩感知。
表2  CS与PI、ACS与PI间14个区域关节软骨评价一致性检验结果
Tab. 2  The intraclass correlation coefficients of CS-PI and ACS-PI in scoring cartilage injury in 14 regions
表3  CS与ACS评价全区域软骨损伤程度诊断效能
Tab. 3  The diagnostic efficacy of CS and ACS in grading total articular cartilage injury

3 讨论

       关节软骨损伤在OA发病与进展中具有推动作用,早期诊断关节软骨损伤与及时干预对缓解症状、改善预后、提高患者生活质量具有重要价值。MRI能够实现早期无创诊断关节软骨损伤,但受限于检查时间长。本研究首次在膝关节中对比目前已有的PI、CS与ACS三种加速采集技术加速的PDWI序列图像质量,评价三种加速采集技术半定量评价关节软骨损伤的诊断表现,发现CS与ACS在保证图像质量的同时分别将采集时间缩短12.4%与63.8%,两者在OA关节软骨损伤评价中与PI具有良好一致性与相似的诊断效能,尤其是在高评分软骨损伤评价中,评价结果具备可重复性。

3.1 关节软骨损伤半定量评价及一致性评价

       过去十余年,MRI半定量与定量评价软骨损伤的方法均已发展成熟。定量评价结果一致性高、可重复性强[24, 25],需专用后处理软件分析特定序列,数据采集与分析耗时耗力,日常临床实践中难以广泛应用。半定量评价由医师参考常规序列结合软骨形态、信号变化,参照评价标准进行评价,在日常临床可行度更高。本研究对关节软骨损伤半定量评价进行一致性评价,结果显示医师评价在PI、CS、ACS一致性均较强。Kobayashi等[26]在MRI半定量评价髌股关节OA的可重复性研究中,两次评价一致性较强。Riddle等[27]进行类似研究,结果仍为一致性较强,但其κ低于本研究。对比发现,Kobayashi与Riddle的研究均对一位医师的评价结果进行一致性分析,本研究由两位医师独立进行评价,存在争议时协商达成一致,因此本研究中评价结果更稳定,一致性更高。

3.2 与其他CS、ACS膝关节软骨损伤评价相关研究比较

       本研究对PI、CS、ACS组序列图像质量进行主观评分,结果显示三组序列评分差异不存在统计学意义,表明CS、ACS可在加速采集时保证图像质量,与相关研究结果相似[28, 29]。CS进入临床已有十余年,多项研究证明CS在骨关节多组织损伤诊断中与PI具有良好一致性,诊断效能与PI不存在差异[30, 31]。在ACS应用研究方面,Recht等[18]利用ACS回顾性重建亚采样多对比数据,并评价膝关节多种组织损伤情况,发现ACS与PI具有良好一致性,认为ACS与PI在膝关节退行性改变诊断中具备互换性,该研究将关节软骨分为6个区域,仅做软骨损伤定性评价,而本研究分为14个区域进行半定量评价,分区更详细,关节软骨损伤评价内容涉及软骨厚度、范围及信号改变,较前者更充分地运用图像细节,结果同样显示ACS与PI具有良好一致性。一项ACS应用于膝关节三维PDWI的报道[19]同样将关节软骨分为6个区域,ACS全区域关节软骨评价敏感度与特异度均优于本研究,对比发现该研究采用定性评价,本研究则将关节软骨分为阴性与7级损伤,评价标准不同导致ACS敏感度差异较大。有研究认为ACS加速采集定量分析序列同样具有可行性,Chaudhari等[32]发现以关节镜结果为参考时,ACS加速的双回波稳态序列与常规MRI序列在关节软骨损伤评价中具有相似敏感度,采用其产生的T2参数图进行评价,可获得更高敏感度。

       本研究结果显示ACS加速的PDWI在软骨厚度正常、仅出现信号改变的WORMS 1级软骨损伤评价中敏感度较低(17.3%),并在WORMS 2~6级关节软骨损伤评价中敏感度整体低于CS。回顾对比各组图像发现,ACS加速的PDWI上WORMS 1~6级软骨损伤易被忽视与图像中关节软骨和周围组织对比度不及PI与CS有关。我们推测此类对比度差异源于各技术工作原理不同。PI利用多通道线圈空间敏感度差异实现加速采集[10],CS利用数据的稀疏性进行随机采样与非线性重建[11]进行加速采集,ACS加速采集的核心则是深度学习。ACS中多层卷积神经网络从已获得的图像中学习图像结构与内容参数,训练模型,并应用到亚采样数据重建。在此过程中,多层卷积神经网络构建与解码方式、用以模型训练的图像以及学习参数均可影响实际应用中重建图像对比度、细节与外观[14, 33]。本研究中评价者在不知序列参数的情况下评价,未及时关注各序列间软骨及病灶组织对比度差异,引起ACS序列各级损伤评价敏感度整体较低。

3.3 局限性及展望

       本研究的局限性:(1)软骨损伤评价的金标准是关节镜下评价结果,本研究未收集到足够样本量的关节镜术前MRI受检者,故将广泛应用的PI加速序列图像的评价结果作为参考标准。(2)常规膝关节MRI包含T1WI,T2WI、PDWI,本研究仅对PDWI进行研究,未对其他序列进行评价。(3)本研究针对性探讨了ACS加速的PDWI在膝关节OA软骨损伤评价的表现,未评价ACS加速序列在其他组织病变中的诊断表现。后续研究中,我们将扩大样本量,评价ACS加速的多对比序列在半月板、交叉韧带损伤等情况中的诊断表现,并结合关节镜下评价结果,进一步评价ACS在临床膝关节MRI加速采集中的应用价值。

       本研究在ACS膝关节应用研究中首次同时纳入PI与CS进行对比,将OA患者关节软骨分为14个区域进行损伤半定量评价,结果显示CS与PI、ACS与PI在所有区域软骨损伤评价一致性良好,CS、ACS与PI在关节软骨损伤评价方面具有相似敏感度,而ACS可更大幅度缩短扫描时间,在临床膝关节PDWI扫描值得推广使用,并有望扩展应用于多对比序列加速采集及多病种诊断,提高检查成功率与设备运转效率。由于ACS加速序列受图像重建模型影响,可能与先前应用PI及CS加速的序列在图像细节、对比度方面存在细微差别,本研究建议利用大量多病种的全采样图像对ACS重建模型进行训练,进一步改善在不同疾病中图像组织度与细节;同时提示临床关节软骨损伤评价中,需要注意综合分析多断面、多对比序列,提高病变早期小范围损伤诊断准确率。

       综上所述,ACS加速的多平面PDWI序列在膝关节OA多区域关节软骨损伤半定量评价中诊断效能与并行采集加速序列相近,ACS可大幅度缩短采集时间,有助于提高检查效率与成功率,值得在临床膝关节MRI多序列扫描中推广使用。

[1]
Hawker GA, King LK. The burden of osteoarthritis in older adults[J]. Clin Geriatr Med, 2022, 38(2): 181-192. DOI: 10.1016/j.cger.2021.11.005.
[2]
薛庆云, 王坤正, 裴福兴, 等. 中国40岁以上人群原发性骨关节炎患病状况调查[J]. 中华骨科杂志, 2015, 35(12): 1206-1212. DOI: 10.3760/cma.j.issn.0253-2352.2015.12.005.
Xue QY, Wang KZ, Pei FX, et al. The survey of the prevalence of primary osteoarthritis in the population aged 40 years and over in China[J]. Chin J Orthop, 2015, 35(12): 1206-1212. DOI: 10.3760/cma.j.issn.0253-2352.2015.12.005.
[3]
王锴, 董雪, 林剑浩. 膝关节骨关节炎患者疾病医疗费用的调查[J]. 中华医学杂志, 2017, 97(1): 29-32. DOI: 10.3760/cma.j.issn.0376-2491.2017.01.008.
Wang K, Dong X, Lin JH. The fees of patients with knee osteoarthritis[J]. Natl Med J China, 2017, 97(1): 29-32. DOI: 10.3760/cma.j.issn.0376-2491.2017.01.008.
[4]
Liu D, Cai ZJ, Yang YT, et al. Mitochondrial quality control in cartilage damage and osteoarthritis: new insights and potential therapeutic targets[J]. Osteoarthr Cartil, 2022, 30(3): 395-405. DOI: 10.1016/j.joca.2021.10.009.
[5]
Eckstein F, Collins JE, Nevitt MC, et al. Brief report: cartilage thickness change as an imaging biomarker of knee osteoarthritis progression: data from the foundation for the national institutes of health osteoarthritis biomarkers consortium[J]. Arthritis Rheumatol, 2015, 67(12): 3184-3189. DOI: 10.1002/art.39324.
[6]
Stefanik JJ, Gross KD, Guermazi A, et al. The relation of MRI-detected structural damage in the medial and lateral patellofemoral joint to knee pain: the Multicenter and Framingham Osteoarthritis Studies[J]. Osteoarthritis Cartilage, 2015, 23(4): 565-570. DOI: 10.1016/j.joca.2014.12.023.
[7]
Mahmoudian A, Lohmander LS, Mobasheri A, et al. Early-stage symptomatic osteoarthritis of the knee—time for action[J]. Nat Rev Rheumatol, 2021, 17(10): 621-632. DOI: 10.1038/s41584-021-00673-4.
[8]
Block JA, Cherny D. Management of knee osteoarthritis: what internists need to know[J]. Rheum Dis Clin North Am, 2022, 48(2): 549-567. DOI: 10.1016/j.rdc.2022.02.011.
[9]
Sakellariou G, Conaghan PG, Zhang WY, et al. EULAR recommendations for the use of imaging in the clinical management of peripheral joint osteoarthritis[J]. Ann Rheum Dis, 2017, 76(9): 1484-1494. DOI: 10.1136/annrheumdis-2016-210815.
[10]
Deshmane A, Gulani V, Griswold MA, et al. Parallel MR imaging[J]. J Magn Reson Imaging, 2012, 36(1): 55-72. DOI: 10.1002/jmri.23639.
[11]
Lustig M, Donoho D, Pauly JM. Sparse MRI: the application of compressed sensing for rapid MR imaging[J]. Magn Reson Med, 2007, 58(6): 1182-1195. DOI: 10.1002/mrm.21391.
[12]
Delattre BMA, Boudabbous S, Hansen C, et al. Compressed sensing MRI of different organs: ready for clinical daily practice?[J]. Eur Radiol, 2020, 30(1): 308-319. DOI: 10.1007/s00330-019-06319-0.
[13]
Honda M, Kataoka M, Onishi N, et al. New parameters of ultrafast dynamic contrast-enhanced breast MRI using compressed sensing[J]. J Magn Reson Imaging, 2020, 51(1): 164-174. DOI: 10.1002/jmri.26838.
[14]
Johnson PM, Recht MP, Knoll F. Improving the speed of MRI with artificial intelligence[J]. Semin Musculoskelet Radiol, 2020, 24(1): 12-20. DOI: 10.1055/s-0039-3400265.
[15]
Kakigi T, Sakamoto R, Tagawa H, et al. Diagnostic advantage of thin slice 2D MRI and multiplanar reconstruction of the knee joint using deep learning based denoising approach[J/OL]. Sci Rep, 2022, 12(1) [2022-09-27]. https://www.nature.com/articles/s41598-022-14190-1. DOI: 10.1038/s41598-022-14190-1.
[16]
Almansour H, Gassenmaier S, Nickel D, et al. Deep learning-based superresolution reconstruction for upper abdominal magnetic resonance imaging: an analysis of image quality, diagnostic confidence, and lesion conspicuity[J]. Invest Radiol, 2021, 56(8): 509-516. DOI: 10.1097/RLI.0000000000000769.
[17]
Naganawa S, Nakamichi R, Ichikawa K, et al. MR imaging of endolymphatic Hydrops: utility of iHYDROPS-Mi2 combined with deep learning reconstruction denoising[J]. Magn Reson Med Sci, 2021, 20(3): 272-279. DOI: 10.2463/mrms.mp.2020-0082.
[18]
Recht MP, Zbontar J, Sodickson DK, et al. Using deep learning to accelerate knee MRI at 3 T: results of an interchangeability study[J]. AJR Am J Roentgenol, 2020, 215(6): 1421-1429. DOI: 10.2214/AJR.20.23313.
[19]
Fayad LM, Parekh VS, de Castro Luna R, et al. A deep learning system for synthetic knee magnetic resonance imaging: is artificial intelligence-based fat-suppressed imaging feasible?[J]. Invest Radiol, 2021, 56(6): 357-368. DOI: 10.1097/RLI.0000000000000751.
[20]
Khoury NJ, Mahfoud Z, Masrouha KZ, et al. Value of sagittal fat-suppressed proton-density fast-spin-echo of the knee joint as a limited protocol in evaluating internal knee derangements[J]. J Comput Assist Tomogr, 2011, 35(5): 653-661. DOI: 10.1097/RCT.0b013e3182251016.
[21]
Wang X, Oo WM, Linklater J. What is the role of imaging in the clinical diagnosis of osteoarthritis and disease management?[J]. Rheumatology, 2018, 57: iv51-iv60. DOI: 10.1093/rheumatology/kex501.
[22]
Peterfy CG, Guermazi A, Zaim S, et al. Whole-organ magnetic resonance imaging score (WORMS) of the knee in osteoarthritis[J]. Osteoarthritis Cartilage, 2004, 12(3): 177-190. DOI: 10.1016/j.joca.2003.11.003.
[23]
潘珂, 刘倩倩, 唐玲玲, 等. 人工智能-压缩感知与压缩感知在膝关节MRI中的加速效率及图像质量评价研究[J]. 磁共振成像, 2022, 13(5): 94-98. DOI: 10.12015/issn.1674-8034.2022.05.017.
Pan K, Liu QQ, Tang LL, et al. Study on acceleration efficiency and image quality of artificial intelligence compressed sensing and compressed sensing in knee MRI[J]. Chin J Magn Reson Imaging, 2022, 13(5): 94-98. DOI: 10.12015/issn.1674-8034.2022.05.017.
[24]
Verschueren J, Eijgenraam SM, Klein S, et al. T2 mapping of healthy knee cartilage: multicenter multivendor reproducibility[J]. Quant Imaging Med Surg, 2021, 11(4): 1247-1255. DOI: 10.21037/qims-20-674.
[25]
Panfilov E, Tiulpin A, Nieminen MT, et al. Deep learning-based segmentation of knee MRI for fully automatic subregional morphological assessment of cartilage tissues: data from the Osteoarthritis Initiative[J]. J Orthop Res, 2022, 40(5): 1113-1124. DOI: 10.1002/jor.25150.
[26]
Kobayashi S, Peduto A, Simic M, et al. Can we have an overall osteoarthritis severity score for the patellofemoral joint using magnetic resonance imaging? Reliability and validity[J]. Clin Rheumatol, 2018, 37(4): 1091-1098. DOI: 10.1007/s10067-017-3888-y.
[27]
Riddle DL, Vossen JA, Hoover KB. Magnetic resonance imaging of patellofemoral osteoarthritis: intertester reliability and associations with knee pain and function[J]. Clin Rheumatol, 2019, 38(5): 1469-1476. DOI: 10.1007/s10067-018-04414-z.
[28]
Iuga AI, Abdullayev N, Weiss K, et al. Accelerated MRI of the knee. Quality and efficiency of compressed sensing[J/OL]. Eur J Radiol, 2020, 132 [2022-09-27]. https://linkinghub.elsevier.com/retrieve/pii/S0720-048X(20)30462-9. DOI: 10.1016/j.ejrad.2020.109273.
[29]
Herrmann J, Gassenmaier S, Nickel D, et al. Diagnostic confidence and feasibility of a deep learning accelerated HASTE sequence of the abdomen in a single breath-hold[J]. Invest Radiol, 2021, 56(5): 313-319. DOI: 10.1097/RLI.0000000000000743.
[30]
Qiu JX, Liu J, Bi ZX, et al. An investigation of 2D spine magnetic resonance imaging (MRI) with compressed sensing (CS)[J]. Skeletal Radiol, 2022, 51(6): 1273-1283. DOI: 10.1007/s00256-021-03954-x.
[31]
Gao TY, Lu Z, Wang FZ, et al. Using the compressed sensing technique for lumbar vertebrae imaging: comparison with conventional parallel imaging[J]. Curr Med Imaging, 2021, 17(8): 1010-1017. DOI: 10.2174/1573405617666210126155814.
[32]
Chaudhari AS, Grissom MJ, Fang ZN, et al. Diagnostic accuracy of quantitative multicontrast 5-minute knee MRI using prospective artificial intelligence image quality enhancement[J]. AJR Am J Roentgenol, 2021, 216(6): 1614-1625. DOI: 10.2214/AJR.20.24172.
[33]
Wang XZ, Ma JF, Bhosale P, et al. Novel deep learning-based noise reduction technique for prostate magnetic resonance imaging[J]. Abdom Radiol (NY), 2021, 46(7): 3378-3386. DOI: 10.1007/s00261-021-02964-6.

上一篇 基于DCE-MRI瘤内联合瘤周影像组学模型术前预测乳腺癌Ki-67表达状态的价值
下一篇 复发性与首发性抑郁症杏仁核静息态功能连接的对比研究
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2