分享:
分享到微信朋友圈
X
特别关注
深度学习重建技术在优化前列腺磁共振T2加权成像扫描时间和图像质量中的应用价值
王绎忱 张馨心 胡满仓 王思聪 李敏 赵心明 陈雁

Cite this article as: WANG Y C, ZHANG X X, HU M C, et al. Value of deep learning reconstruction in optimizing prostate MR T2-weighted imaging scanning time and imaging quality[J]. Chin J Magn Reson Imaging, 2023, 14(5): 48-52, 59.本文引用格式:王绎忱, 张馨心, 胡满仓, 等. 深度学习重建技术在优化前列腺磁共振T2加权成像扫描时间和图像质量中的应用价值[J]. 磁共振成像, 2023, 14(5): 48-52, 59. DOI:10.12015/issn.1674-8034.2023.05.010.


[摘要] 目的 探讨深度学习重建(deep learning reconstruction, DLR)技术在提高前列腺MRI T2加权成像(T2 weighted imaging, T2WI)图像质量及缩短扫描时间中的应用价值。材料与方法 本研究前瞻连续纳入未经治疗的可疑前列腺病变的受试者,分别行前列腺MRI常规快速自旋回波(fast-spin echo, FSE)-T2WI和DLR快速FSE-T2WI扫描,并保存未应用DLR的原始快速FSE-T2WI。由2名研究者分别对三组T2WI(常规T2WI、快速T2WI和DLR快速T2WI)的整体图像质量和图像伪影进行图像质量主观评价(5分标准)。由1名研究者测量前列腺正常外周带、正常移行带和病变的信噪比(signal-to-noise ratio, SNR)以及与髂腰肌的对比噪声比(contrast-to-noise ratio, CNR)。对正态分布和非正态分布的数据分别进行单因素方差分析和Kruskal-Wallis检验,比较分析三组T2WI图像的主观评分和客观指标的差异。采用组内相关系数(intra-class correlation coefficient, ICC)评估研究者之间主观评分和病灶前列腺影像报告和数据系统2.1版(Prostate Imaging-Reporting and Data System version 2.1, PI-RADS v2.1)评分的一致性。结果 本研究共纳入35名受试者(38个前列腺病灶)。DLR快速FSE-T2WI较常规FSE-T2WI扫描时间缩短了32.1%。两位研究者的评分结果均显示,常规FSE-T2WI、快速FSE-T2WI和DLR快速FSE-T2WI的整体图像质量评分、前列腺包膜显示清晰度和前列腺病变显示清晰度均存在显著差异(P<0.05);但在伪影评分上差异无统计学意义(P>0.05)。三组FSE-T2WI图像的前列腺外周带、移行带和病灶的SNR、CNR间差异具有统计学意义(P<0.05)。应用三组T2WI图像进行前列腺病变的PI-RADS v2.1评分具有很好的一致性。结论 DLR可以显著改善快速采集MRI序列的图像质量,有利于促进前列腺快速MRI序列的临床应用。
[Abstract] Objective To explore the application of deep learning reconstruction (DLR) in improving prostate MRI T2 weighted imaging (T2WI) quality and shortening scanning time.Materials and Methods Patients who were suspected with a prostate lesion clinically were prospectively enrolled in this study. Conventional MRI fast-spin echo (FSE)-T2WI sequence and DLR fast FSE-T2WI were performed, and the original fast FSE-T2WI without DLR was preserved. The overall image quality, image artifacts, prostate capsule, prostate lesion detection and the lesion's Prostate Imaging-Reporting and Data System version 2.1 (PI-RADS v2.1) scoring of three T2WI (conventional T2WI, fast T2WI, and DLR fast T2WI) were assessed subjectively by two radiologists independently. The signal-to-noise ratio (SNR) of the lesion and the contrast-to-noise ratio (CNR) were measured by one radiologist. One-way ANOVA and Kruskal-Wallis test were performed on normally and non-normally distributed data, respectively, to compare and analyze the differences in subjective scores and objective indices of three T2WI. The intra-class correlation coefficient (ICC) was used to compare the interreader agreement of subjective scores and PI-RADS v2.1 scoring between two radiologists.Results Finally, a total of 35 patients (38 prostate lesions) were enrolled in this study. DLR fast T2WI reduced 32.1% scanning time than conventional T2WI. Two radiologists' assessment demonstrated that there were significant differences among conventional, fast and DLR FSE-T2WI in overall image quality, prostate capsule demonstration and prostate lesion detection (P<0.05). There were significant differences in the overall image quality, prostate capsule demonstration and prostate lesion detection among the three T2WI (P<0.05). The SNR and CNR of prostate peripheral zone, transition zone and prostate lesion of the three T2WI images were significantly different (P<0.05). DLR fast T2WI has the best overall image quality with the least artifacts and short scan time.Conclusions DLR can significantly improve the image quality of prostate FSE-T2WI with a shorter scanning time.
[关键词] 前列腺;深度学习重建技术;磁共振成像;前列腺影像报告和数据系统;信噪比;对比噪声比
[Keywords] prostate;deep learning reconstruction;magnetic resonance image;Prostate Imaging Reporting and Data System;signal-to-noise ratio;contrast-to-noise ratio

王绎忱 1   张馨心 1   胡满仓 1   王思聪 2   李敏 2   赵心明 1   陈雁 1*  

1 国家癌症中心/国家肿瘤临床医学研究中心/中国医学科学院北京协和医学院肿瘤医院影像诊断科,北京 100021

2 通用电气医疗(中国)有限公司,北京 100176

通信作者:陈雁,E-mail:doctorchenyan626@sina.com

作者贡献声明:陈雁设计本研究的方案,对稿件重要内容进行了修改;王绎忱起草和撰写稿件,获取、分析或解释本研究的数据,获得了中国癌症基金会北京希望马拉松专项基金资助;张馨心、胡满仓、王思聪、李敏、赵心明获取、分析或解释本研究的数据,对稿件重要内容进行了修改;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 中国癌症基金会北京希望马拉松专项基金 LC2022A12
收稿日期:2022-10-17
接受日期:2023-05-06
中图分类号:R445.2  R697.3 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2023.05.010
本文引用格式:王绎忱, 张馨心, 胡满仓, 等. 深度学习重建技术在优化前列腺磁共振T2加权成像扫描时间和图像质量中的应用价值[J]. 磁共振成像, 2023, 14(5): 48-52, 59. DOI:10.12015/issn.1674-8034.2023.05.010.

0 前言

       多参数磁共振成像(multi-parametric magnetic resonance imaging, mpMRI)在前列腺病变的显示、前列腺癌的诊断、分期和辅助靶向穿刺等方面具有重要的应用价值[1, 2, 3],近年来已经成为国内外指南推荐的标准治疗前影像检查[4, 5, 6, 7]。但是前列腺病变的准确诊断和分期有赖于高质量的MRI图像,尤其是T2加权成像(T2 weighted image, T2WI)和弥散加权成像(diffusion weighted imaging, DWI)。另外,根据前列腺影像报告和数据系统2.1版(Prostate Imaging Reporting and Data System version 2.1, PI-RADS v2.1)的要求,前列腺mpMRI的标准成像序列较多,包括了三个方向的高分辨率薄层T2WI、高b值的DWI、较大视野的T1加权成像(T1 weighted image, T1WI)以及多期动态增强成像[8, 9]。此标准成像程序的扫描时间较长,导致临床应用受限。多年来,加速MRI图像采集和提高图像质量一直是研究热点。既往实现快速成像的主要技术有基于快速自旋回波(fast-spin echo, FSE)的并行成像以及基于梯度回波序列的压缩感知技术[10, 11]。最新的深度学习重建(deep learning reconstruction, DLR)技术主要通过在原始K空间数据层面使用深度卷积神经网络对图像进行重建,来达到降低图像噪声、提高图像质量和缩短成像时间的目的[12, 13, 14]。国外有文献报道,在回顾性的前列腺MRI T2WI以及DWI的图像上应用DLR技术,可有效地提高图像质量[15, 16, 17, 18]。然而,国内外目前尚缺乏前瞻性的研究,以评估真实临床场景中在扫描过程中同时应用DLR技术的可行性,并探索其对于缩短扫描时间和改善图像质量的价值。

       本研究拟在前瞻临床队列中,通过比较常规FSE-T2WI序列、快速FSE-T2WI序列和DLR快速FSE-T2WI序列的扫描时间、图像质量及对PI-RADS v2.1评分的影响,初步探索DLR技术在前列腺MRI T2WI中的可行性和临床应用价值。

1 材料和方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》,获得了中国医学科学院肿瘤医院伦理委员会批准(编号:NCC3685)。所有受试者检查前均已签署知情同意书。2022年8月至2022年10月,前瞻性连续纳入临床可疑前列腺病变的患者。纳入标准:(1)临床医生根据病史、临床症状及相关检查初诊为前列腺病变的患者;(2)MRI检查前6周内未行前列腺穿刺活检术;(3)无MRI检查禁忌证。排除标准:(1)患者无法耐受MRI检查;(2)患者既往接受前列腺局部治疗(包括前列腺局部放疗、前列腺增生手术等)。

1.2 仪器设备

       采用通用电气医疗(中国)有限公司3.0 T SIGNA Architect MRI仪,自适应图像接收前阵列线圈(原机自带)完成MRI扫描。

1.3 检查方法和序列

       所有患者在MRI检查前排空膀胱,采取仰卧位,足先进方式进行检查。常规序列包括:T1WI、横断位FSE-T2WI、矢状位及冠状位Propellar-T2WI、横断位脂肪抑制FSE-T2WI序列、横断位DWI(b=50、1000 s/mm2及合成1400 s/mm2)及横断位多期动态对比增强,对比剂采用钆喷酸葡胺(Gd-DTPA,北京北陆药业股份有限公司),剂量0.1 mmol/kg,速率2 mL/s,采用高压注射器经肘部静脉注射,10 s内团注,并以相同速率注射生理盐水冲管。研究序列:DLR快速FSE-T2WI序列,该序列使用通用电气医疗(中国)有限公司提供并直接安装在MRI仪上的Recon DL软件进行重建获得,在扫描DLR快速FSE-T2WI序列的同时,保存未经DLR的快速FSE-T2WI序列扫描图像。扫描参数详见表1

表1  前列腺MRI序列成像参数
Tab. 1  MRI parameters of the three T2WI sequences

1.4 图像分析处理

1.4.1 主观评分

       由两名分别具有8年和28年经验的放射科中级职称和高级职称医师独立对所有图像质量进行主观性评分。评分过程采用盲法(即评估医师不知道患者临床信息和序列参数)在影像归档和通信系统上进行。另有一名研究人员负责记录图像信息和评估结果。选取每名受试者最可疑且病变直径最大的病灶进行评估。两名放射科医师分别对选定前列腺病灶的T2WI表现根据PI-RADS v2.1进行评分(1~5分)。两名放射科医师以随机顺序分别评估横断位常规FSE-T2WI、横断位快速FSE-T2WI序列和横断位DLR快速FSE-T2WI序列。评估内容包括:图像伪影、整体图像质量、前列腺包膜显示清晰度以及前列腺病变显示清晰度。伪影主观评分需要考虑图像中由膀胱尿液、肠腔内容物和腹部呼吸引起的伪影,使用图像质量主观评价(5分标准)评估:(1分为大量伪影;2分为可见显著伪影;3分为中度伪影;4分为极少伪影;5分为无伪影)。整体图像质量、前列腺包膜显示清晰度以及前列腺病变显示清晰度也均采用图像质量主观评价(5分标准)进行(1分为差;2分为较差;3分为一般;4分为良好;5分为优秀)。

1.4.2 客观评价

       测量常规FSE-T2WI、快速FSE-T2WI和DLR快速FSE-T2WI的前列腺外周带、移行带和病灶信号信噪比(signal-to-noise ratio, SNR)以及外周带、移行带和病灶与髂腰肌之间的对比噪声比(contrast-to-noise ratio, CNR)。由一名有13年经验具有中级职称的放射技师和一名有8年经验具有中级职称的放射科医师共同阅片讨论并选取前列腺最大横断面以及病变直径最大层面,在图像背景、髂腰肌、前列腺外周带、移行带和病变上放置感兴趣区(region of interest, ROI)并进行测量。前列腺外周带ROI选取相对正常的一侧外周带放置。考虑到移行带的信号不均匀,ROI沿前列腺最大层面的移行带边缘勾画,包括层面内全部移行带组织,并避开前列腺增生结节(PI-RADS v2.1 1或2分)以及前列腺移行带可疑病变(PI-RADS v2.1 3分及以上)的部分进行测量。病灶ROI沿病灶最大层面的边缘勾画,包含层面内全部病灶组织。每次测量放置图像背景及髂腰肌的ROI大小及位置在同一患者各序列间保持一致,测量每个ROI的平均信号强度(signal intensity, SI)。根据以下公式计算外周带、移行带及病灶的SNR和病灶与髂腰肌的CNR:SNR=SI目标/SD背景,CNR=(SI目标-SI髂腰肌)/SD背景,SD背景是相应层面背景ROI内SI的标准差,被认为是噪声;SI目标和SI髂腰肌分别代表测量目标(外周带、移行带或病变)及髂腰肌ROI的平均SI。

1.5 统计学分析

       采用SPSS 25.0软件进行统计学分析。采用Kolmogorov-Smirnov检验评价定量数值和主观评分的正态分布。对正态分布和非正态分布的数据分别进行单因素方差分析和Kruskal-Wallis检验。采用组内相关系数(intra-class correlation coefficient, ICC)比较两名阅片医师主观评分和病变PI-RADS v2.1评分的一致性,检验采用双向混合/绝对一致性且单一度量模型。P<0.05表示差异有统计学意义。

2 结果

2.1 患者基本情况

       本研究共纳入35例男性患者(38个病灶),年龄39~86(64.1±10.4)岁。血总前列腺特异性抗原水平1.15~252.00(26.0±48.8)ng/mL。

2.2 扫描时间

       本研究中,24层DLR快速FSE-T2WI的扫描时间为1 min 39 s,较常规FSE-T2WI的扫描时间(2 min 26 s)缩短了32.1%。

2.3 主观评分

       所有患者横断位常规T2WI、快速T2WI序列和DLR快速T2WI图像清晰,图像质量均能满足诊断要求(图1)。两名诊断医师对于整体图像质量、伪影、前列腺包膜显示清晰度、前列腺病变显示清晰的主观评分的一致性较好(ICC=0.71~0.86,P均<0.05),其中前列腺包膜显示清晰度评分的一致性最高(ICC=0.86,P<0.05),详见表2。两位影像科医师的评分结果均显示,常规FSE-T2WI、快速FSE-T2WI和DLR快速FSE-T2WI的整体图像质量评分、前列腺包膜显示清晰度和前列腺病变显示清晰度均存在显著差异(P均<0.05);但在伪影评分上差异无统计学意义(表3)。

图1  男,75岁,病灶靶向穿刺病理为前列腺腺泡细胞癌,前列腺特异性抗原(PSA)13.2 ng/mL的前列腺多参数MRI图像,展示了前列腺外周带病灶,两名放射科医师均评为前列腺影像报告和数据系统2.1版(PI-RADS V2.1)4分。1A:横断位常规快速自旋回波(FSE)-T2WI图像,两名放射科医师对整体图像质量、伪影、前列腺包膜显示清晰度、前列腺病变显示清晰评分分别为:4、4、4、4分和4、4、4、4分;1B:横断位快速FSE-T2WI图像,两名放射科医师对整体图像质量、伪影、前列腺包膜显示清晰度、前列腺病变显示清晰评分分别为:3、4、3、4分和3、4、3、4分;1C:横断位深度学习重建(DLR)快速FSE-T2WI图像,两名放射科医师对整体图像质量、伪影、前列腺包膜显示清晰度、前列腺病变显示清晰评分分别为:4、4、4、4分和5、4、4、4分;1D:横断位弥散加权成像(DWI)图像,b=1400 s/mm2;1E:横断位表观扩散系数图;1F:横断位动态对比增强图像早期,可见早期强化。
Fig. 1  A 75 years old male patients with elevated prostate specific antigen (PSA) level (13.2 ng/mL), MRI shows a lesion on right prostate peripheral zone which is categorized as Prostate Imaging Reporting and Data System version 2.1 (PI-RADS v2.1) 4 by both two radiologists. 1A: The conventional fast spin echo (FSE)-T2WI image in the transverse position is evaluated by two radiologists' assessment for overall imaging quality, artifacts, prostate capsule demonstration and prostate lesion demonstration are 4, 4, 4, 4 and 4, 4, 4, 4, respectively; 1B: The original fast FSE-T2WI without deep learning reconstruction (DLR) image in the transverse position is evaluated by two radiologists' assessment for overall imaging quality, artifact, prostate capsule demonstration and prostate lesion demonstration are 3, 4, 3, 4 and 3, 4, 3, 4, respectively; 1C: The DLR fast FSE-T2WI image in the transverse position is evaluated by two radiologists' assessment for overall imaging quality, artifact, prostate capsule demonstration and prostate lesion demonstration are 4, 4, 4, 4 and 5, 4, 4, 4, respectively; 1D: Diffusion-weighted image with b value of synthetic 1400 s/mm2; 1E: Apparent diffusion coefficient image; 1F: Early phase of enhanced image.
表2  主观图像评分和PI-RADS v2.1评分的评估者间的一致性
Tab. 2  Interreader agreement between two radiologists in per-image analysis
表3  三种横断位FSE-T2WI图像主观评分
Tab. 3  Comparisons of three T2WI subjective scorings

2.4 前列腺病灶PI-RADS v2.1评分

       研究共评估了35名受试者的38个病灶,其中27个位于外周带,11个位于移行带。两名诊断医师应用三个横断位FSE-T2WI图像对于PI-RADS v2.1评分差异无统计学意义(P=0.97、0.96)(表4)。两名诊断医师对于病灶PI-RADS v2.1评分的一致性为0.90(P<0.05)(表2)。

表4  基于横断位FSE-T2WI图像的前列腺病变PI-RADS v2.1评分
Tab. 4  PI-RADS v2.1 scoring of prostate lesions by two radiologists

2.5 客观评价

       在外周带、移行带和病灶的SNR方面,DLR快速FSE-T2WI均明显高于常规FSE-T2WI和快速FSE-T2WI(P<0.05);DLR快速FSE-T2WI上,前列腺外周带、移行带和病灶的SNR分别为(476.9±444.4)、(331.4±274.3)和(324.1±390.1);在外周带、移行带和病灶与髂腰肌的CNR方面,DLR快速FSE-T2WI也均明显高于常规FSE-T2WI和快速FSE-T2WI(P<0.05)(表5)。

表5  三种横断位FSE-T2WI的图像客观参数
Tab. 5  Comparison of three T2WI objective parameters

3 讨论

       在此项前瞻研究中,我们比较了常规FSE-T2WI、快速FSE-T2WI和DLR快速FSE-T2WI对于前列腺MRI图像质量和扫描时间的影响。研究结果表明,DLR可以明显缩短T2WI扫描时间,比常规FSE-T2WI的扫描时间减少超过三分之一。在图像质量方面,DLR快速FSE-T2WI的前列腺外周带、移行带的SNR和CNR均显著高于无DLR的快速FSE-T2WI和常规FSE-T2WI。主观评分方面,DLR快速FSE-T2WI的整体图像质量最高,对于前列腺包膜的解剖结构和前列腺病灶的显示清晰度最高。

3.1 DLR缩短前列腺mpMRI扫描时间

       近年来,为满足对前列腺病变进行精准诊断和分期的临床需求,前列腺多参数MRI的标准扫描序列时间较长,通常在30~45 min[15]。较长的成像时间导致高龄患者耐受性下降、运动伪影增加,从而影响成像效果和临床诊断。最近的回顾性研究表明[16, 17, 18],DLR-T2WI较传统T2WI序列明显缩短了成像时间(1.5 min vs. 4.5 min)。本前瞻性研究保持其他参数不变,仅仅降低激发次数,DLR快速FSE-T2WI比常规FSE-T2WI的扫描时间明显减少。但本研究仅仅评估了横断位T2WI序列,若按照前列腺mpMRI的扫描标准,在三个扫描方向的T2WI上均应用DLR,扫描时间有望进一步缩短。

3.2 DLR提高前列腺MRI图像质量

       近年的多项回顾性研究表明DLR算法在提高前列腺MRI图像质量方面有重要价值。2021年,KIM等[19]回顾性地在标准T2WI和加速采集的T2WI图像上分别应用了DLR算法,提示DLR算法可以使加速采集的T2WI图像达到与标准T2WI相似的图像质量。GASSENMAIER等[16, 17]、TONG等[18]的研究结果表明应用了DLR算法的T2WI可以显著缩短标准T2WI的扫描时间,比例高达65%,并且具有相似的诊断性能和更高的图像质量。2022年,PARK等[20]的研究结果也同样表明在快速采集的MRI上应用DLR算法可以提高图像质量,并且在肿瘤范围和包膜侵犯方面的评估效能与标准扫描序列相仿。本研究在前瞻队列中证实了以上研究的结果。本研究中DLR算法是具有残差编码器架构的前馈深度卷积神经网络,该网络被构建为接受原始复杂成像数据作为输入,通过估计高频K空间信息来实现有效的插值,从而抑制振铃伪影;还能省略在传统图像重建中应用的软件过滤器,提高图像清晰度,最终输出具有更高SNR、更高清晰度和更高空间分辨率的图像[21, 22, 23]。对于前列腺T2WI图像,DLR技术可以提高整体图像质量,并且在关键解剖结构(如前列腺包膜)的显示和前列腺病变的显示方面均优于未应用DLR技术的T2WI图像。此结果提示,未来在前列腺癌的诊断和分期,尤其是对包膜侵犯的判断方面,DLR技术可发挥重要的临床价值。我们的研究纳入了位于外周带、移行带的多种前列腺病变,且PI-RADS评分多样,虽然不同性质的前列腺病变的信号特点不同,但初步研究结果提示,使用DLR技术的T2WI图像上前列腺病变的SNR和CNR均明显高于常规和快速T2WI图像。随着未来研究中样本量的加大,对前列腺病变进行更深入的分层分析,对DLR技术在不同性质前列腺病变中应用价值的理解也将更加深入[24, 25]

3.3 局限性

       本研究存在一些局限性。首先,样本量较少。DLR技术于2020年起进入临床应用的探索阶段,既往仅有少量回顾性研究的结果,当前国内外尚无DLR技术在前列腺MRI中前瞻性临床研究的报道。此研究为前瞻性研究,旨在初步探索DLR技术这一最新的重建技术在前列腺MRI中的可行性和初步价值。根据既往文献报道的两组序列图像质量评分的大致水平和估算公式进行统计学测算,样本量虽达到比较两组序列图像质量评分的统计要求,但是在评估DLR算法在前列腺mpMRI的临床实际应用价值中,研究受试样本仍偏少,仍可能会导致对于图像质量评分、PI-RADS评分的偏倚,需要进一步扩大样本量以降低受试者纳入导致的系统误差。此项前瞻性研究正在继续进行,之后会扩大受试者样本量并评估DLR技术在多个扫描方向上T2WI的应用。其次,由于本前瞻性研究进行时间尚短,纳入的患者中仅有部分存在PI-RADS≥3分的病变,并且有病理证实的病变更少,研究结果是否对于临床前列腺癌的诊断和分期有价值,仍需进行进一步的探索。再次,由于受试者平均年龄较大,绝大部分患者有不同程度的前列腺增生和慢性炎症或萎缩,导致前列腺组织和病变的定量指标(如SNR和CNR)结果的离散性较高。未来扩大样本量并对受试者进一步分层后此问题将会得到改善。最后,很难在MRI上区分完全病理正常的受试者移行带组织,导致本研究中前列腺移行带ROI的勾画可能存在偏倚。但本研究人群为前列腺mpMRI临床实际应用的目标人群,因此对于移行带的SNR和移行带-髂腰肌CNR的测量可基本反映实际临床工作中前列腺MRI对于移行带的显示质量。

4 结论

       综上所述,本文探索的将DLR算法应用于前列腺横断位FSE-T2WI中,可以明显缩短扫描时间并提高图像质量和前列腺病变显示能力,在临床应用中有潜力进一步优化前列腺mpMRI的扫描和图像,提高前列腺mpMRI在前列腺病变诊疗中的价值。

[1]
GIROMETTI R, CERESER L, BONATO F, et al. Evolution of prostate MRI: from multiparametric standard to less-is-better and different-is better strategies[J/OL]. Eur Radiol Exp, 2019, 3(1): 5 [2022-11-01]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6890868/. DOI: 10.1186/s41747-019-0088-3">10.1186/s41747-019-0088-3">10.1186/s41747-019-0088-3.
[2]
BONEKAMP D, JACOBS M A, EL-KHOULI R, et al. Advancements in MR imaging of the prostate: from diagnosis to interventions[J]. Radiographics, 2011, 31(3): 677-703. DOI: 10.1148/rg.313105139">10.1148/rg.313105139">10.1148/rg.313105139.
[3]
WOO S, GHAFOOR S, VARGAS H A. Contribution of radiology to staging of prostate cancer[J]. Semin Nucl Med, 2019, 49(4): 294-301. DOI: 10.1053/j.semnuclmed.2019.02.007">10.1053/j.semnuclmed.2019.02.007">10.1053/j.semnuclmed.2019.02.007.
[4]
SCHAEFFER E, SRINIVAS S, ANTONARAKIS E S, et al. NCCN guidelines insights: prostate cancer, version 1.2021[J]. J Natl Compr Canc Netw, 2021, 19(2): 134-143. DOI: 10.6004/jnccn.2021.0008">10.6004/jnccn.2021.0008">10.6004/jnccn.2021.0008.
[5]
赫捷, 陈万青, 李霓, 等. 中国前列腺癌筛查与早诊早治指南(2022,北京)[J]. 中华肿瘤杂志, 2022, 44(1): 29-53. DOI: 10.3760/cma.j.cn112152-20211226-00975">10.3760/cma.‍j.cn112152-20211226-00975">10.3760/cma.j.cn112152-20211226-00975.
HE J, CHEN W Q, LI N, et al. China guideline for the screening and early detection of prostate cancer (2022, Beijing)[J]. Chin J Oncol, 2022, 44(1): 29-53. DOI: 10.3760/cma.j.cn112152-20211226-00975">10.3760/cma.j.cn112152-20211226-00975">10.3760/cma.j.cn112152-20211226-00975.
[6]
中华医学会泌尿外科学分会, 中国前列腺癌联盟. 前列腺穿刺中国专家共识[J]. 中华泌尿外科杂志, 2016, 37(4): 241-245. DOI: 10.3760/cma.j.issn.1000-6702.2016.04.001">10.3760/cma.j.issn.1000-6702.2016.04.001">10.3760/cma.j.issn.1000-6702.2016.04.001
Chinese Prostate Cancer Consortium of Chinese, Urological Association of Chinese Medical Association. China expert consensus on prostate puncture[J]. Chin J Urol, 2016, 37(4): 241-245. DOI: 10.3760/cma.j.issn.1000-6702.2016.04.001">10.3760/cma.j.issn.1000-6702.2016.04.001">10.3760/cma.j.issn.1000-6702.2016.04.001.
[7]
CORNFORD P, BELLMUNT J, BOLLA M, et al. EAU-ESTRO-SIOG guidelines on prostate cancer. part Ⅱ: treatment of relapsing, metastatic, and castration-resistant prostate cancer[J]. Eur Urol, 2017, 71(4): 630-642. DOI: 10.1016/j.eururo.2016.08.002">10.1016/j.eururo.2016.08.002">10.1016/j.eururo.2016.08.002.
[8]
TURKBEY B, ROSENKRANTZ A B, HAIDER M A, et al. Prostate Imaging Reporting and Data System Version 2.1: 2019 Update of Prostate Imaging Reporting and Data System Version 2[J]. Eur Urol, 2019, 76(3): 340-351. DOI: 10.1016/j.eururo.2019.02.033">10.1016/j.eururo.2019.02.033">10.1016/j.eururo.2019.02.033.
[9]
SACKETT J, SHIH J H, REESE S E, et al. Quality of prostate MRI: is the PI-RADS standard sufficient?[J]. Acad Radiol, 2021, 28(2): 199-207. DOI: 10.1016/j.acra.2020.01.031">10.1016/j.acra.2020.01.031">10.1016/j.acra.2020.01.031.
[10]
LOENING A M, LITWILLER D V, SARANATHAN M, et al. Increased speed and image quality for pelvic single-shot fast spin-echo imaging with variable refocusing flip angles and full-Fourier acquisition[J]. Radiology, 2017, 282(2): 561-568. DOI: 10.1148/radiol.2016151574">10.1148/radiol.2016151574">10.1148/radiol.2016151574.
[11]
UEDA T, OHNO Y, YAMAMOTO K, 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[J/OL]. Eur J Radiol, 2021, 134: 109430 [2022-11-01]. https://pubmed.ncbi.nlm.nih.gov/33276249/. DOI: 10.1016/j.ejrad.2020.109430">10.1016/j.ejrad.2020.109430">10.1016/j.ejrad.2020.109430.
[12]
LEE D, YOO J, TAK S, et al. Deep residual learning for accelerated MRI using magnitude and phase networks[J]. IEEE Trans Biomed Eng, 2018, 65(9): 1985-1995. DOI: 10.1109/TBME.2018.2821699">10.1109/TBME.2018.2821699">10.1109/TBME.2018.2821699.
[13]
HAMMERNIK K, KLATZER T, KOBLER E, et al. Learning a variational network for reconstruction of accelerated MRI data[J]. Magn Reson Med, 2018, 79(6): 3055-3071. DOI: 10.1002/mrm.26977">10.1002/mrm.26977">10.1002/mrm.26977.
[14]
AGGARWAL H K, MANI M P, JACOB M. MoDL: model-based deep learning architecture for inverse problems[J]. IEEE Trans Med Imaging, 2019, 38(2): 394-405. DOI: 10.1109/TMI.2018.2865356">10.1109/TMI.2018.2865356">10.1109/TMI.2018.2865356.
[15]
UEDA T, OHNO Y, YAMAMOTO K, et al. Deep learning reconstruction of diffusion-weighted MRI improves image quality for prostatic imaging[J]. Radiology, 2022, 303(2): 373-381. DOI: 10.1148/radiol.204097">10.1148/radiol.204097">10.1148/radiol.204097.
[16]
GASSENMAIER S, AFAT S, NICKEL M D, et al. Accelerated T2-weighted TSE imaging of the prostate using deep learning image reconstruction: a prospective comparison with standard T2-weighted TSE imaging[J/OL]. Cancers, 2021, 13(14): 3593 [2022-11-01]. https://pubmed.ncbi.nlm.nih.gov/34298806/. DOI: 10.3390/cancers13143593">10.3390/cancers13143593">10.3390/cancers13143593.
[17]
GASSENMAIER S, AFAT S, NICKEL D, et al. Deep learning-accelerated T2-weighted imaging of the prostate: reduction of acquisition time and improvement of image quality[J/OL]. Eur J Radiol, 2021, 137: 109600 [2022-11-01]. https://pubmed.ncbi.nlm.nih.gov/33610853/. DOI: 10.1016/j.ejrad.2021.109600.
[18]
TONG A, BAGGA B, PETROCELLI R, et al. Comparison of a deep learning-accelerated vs. conventional T2-weighted sequence in biparametric MRI of the prostate[J/OL]. J Magn Reson Imaging, 2023 [2023-04-28]. https://pubmed.ncbi.nlm.nih.gov/36651358/. DOI: 10.1002/jmri.28602">10.1002/jmri.28602">10.1002/jmri.28602.
[19]
KIM E H, CHOI M H, LEE Y J, et al. Deep learning-accelerated T2-weighted imaging of the prostate: impact of further acceleration with lower spatial resolution on image quality[J/OL]. Eur J Radiol, 2021, 145: 110012 [2022-11-01]. https://pubmed.ncbi.nlm.nih.gov/34753082/. DOI: 10.1016/j.ejrad.2021.110012">10.1016/j.ejrad.2021.110012">10.1016/j.ejrad.2021.110012.
[20]
PARK J C, PARK K J, PARK M Y, et al. Fast T2-weighted imaging with deep learning-based reconstruction: evaluation of image quality and diagnostic performance in patients undergoing radical prostatectomy[J]. J Magn Reson Imaging, 2022, 55(6): 1735-1744. DOI: 10.1002/jmri.27992">10.1002/jmri.27992">10.1002/jmri.27992.
[21]
HIGAKI T, NAKAMURA Y, TATSUGAMI F, et al. Improvement of image quality at CT and MRI using deep learning[J]. Jpn J Radiol, 2019, 37(1): 73-80. DOI: 10.1007/s11604-018-0796-2">10.1007/s11604-018-0796-2">10.1007/s11604-018-0796-2.
[22]
QIU D F, ZHANG S X, LIU Y, et al. Super-resolution reconstruction of knee magnetic resonance imaging based on deep learning[J/OL]. Comput Methods Programs Biomed, 2020, 187: 105059 [2022-11-01]. https://pubmed.ncbi.nlm.nih.gov/31582263/. DOI: 10.1016/j.cmpb.2019.105059">10.1016/j.cmpb.2019.105059">10.1016/j.cmpb.2019.105059.
[23]
KIDOH M, SHINODA K, KITAJIMA M, et al. Deep learning based noise reduction for brain MR imaging: tests on phantoms and healthy volunteers[J]. Magn Reson Med Sci, 2020, 19(3): 195-206. DOI: 10.2463/mrms.mp.2019-0018">10.2463/mrms.mp.2019-0018">10.2463/mrms.mp.2019-0018.
[24]
GIROMETTI R, GIANNARINI G, GRECO F, et al. Interreader agreement of PI-RADS v. 2 in assessing prostate cancer with multiparametric MRI: a study using whole-mount histology as the standard of reference[J]. J Magn Reson Imaging, 2019, 49(2): 546-555. DOI: 10.1002/jmri.26220">10.1002/jmri.26220">10.1002/jmri.26220.
[25]
BARRETT T, GHAFOOR S, GUPTA R T, et al. Prostate MRI qualification: AJR expert panel narrative review[J]. Am J Roentgenol, 2022, 219(5): 691-702. DOI: 10.2214/ajr.22.27615">10.2214/ajr.22.27615">10.2214/ajr.22.27615.

上一篇 基于深度学习重建技术改善前列腺T2WI图像质量的研究
下一篇 深度学习图像重建算法在膝关节加速MRI中的临床应用研究
  
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