文献速递骨肌MR

基于深度学习算法的腰椎快速高质量MRI协议:与标准协议的图像质量和扫描时间比较

Fast high-quality MRI protocol of the lumbar spine with deep learning-based algorithm: an image quality and scanning time comparison with standard protocol.
PubMed 文献 · Skeletal Radiol · 2023-06-28

前瞻性比较80名健康志愿者1.5T腰椎MRI的深度学习重建(DLR)与标准协议,DLR在所有序列信噪比更高,T2W FSE的对比噪声比更优,主观图像质量更高,诊断信心不劣于标准协议,总扫描时间6:26 vs 12:59 min(降低50.2%)。作者认为DLR协议可安全用于临床实践,但需多中心前瞻性研究探究其对诊断准确性的影响。

要点

  • DLR所有序列信噪比均高于标准协议(均p<0.001),轴位和矢状位T2W FSE的对比噪声比也更优(p<0.001)。
  • DLR主观整体图像质量在所有序列均更高(均p<0.001),读者间一致度0.83(0.78-0.86)。
  • DLR总扫描时间6:26 vs 标准协议12:59 min,降低50.2%,诊断信心不劣于标准协议。

核心结论

  • DLR应用于1.5T腰椎MRI可行,形态学序列图像质量更高、诊断信心与标准协议相似,扫描时间节省可达50%,作者建议DLR协议可安全用于临床实践,但需多中心前瞻性研究探究其对诊断准确性的影响。

研究设计与样本

  • 前瞻性研究,纳入80名健康志愿者(44男36女,平均年龄42.9±17.1岁,范围21–81岁),2021年9月至2023年5月在意大利罗马Sant'Andrea大学医院1.5T MR扫描仪(Signa Voyager,GE Healthcare)上完成腰椎MRI,采集矢状位T1W FSE、T2W FSE、STIR及轴位多层T2W FSE序列,均分别采用DLR算法(AIR Recon DL™)与标准协议重建,比较图像质量、扫描时间与诊断信心。

关键影像表现/征象

  • DLR图像较标准协议更平滑,信噪比更高、截断伪影更少、空间分辨率更高。
  • DLR与标准协议检出的病变频率无差异(均p>0.05):椎间盘突出11例、Modic改变8例、血管瘤7例、Schmorl结节4例、偶发发现(肾及附件囊肿)4例。
  • 两种协议图像均无妨碍图像评估的伪影(如混叠或条带伪影)。

诊断标准与关键数值

  • 定量分析于L4椎体及L4/L5椎间盘画取10mm²感兴趣区,信噪比为组织信号强度除以组织标准差,对比噪声比为两组织信噪比之差。
  • 主观整体图像质量采用5分Likert量表(5=极好,4=好,3=可接受,2=差,1=不可诊断)。
  • 诊断信心采用5分量表(1=不可诊断,2=差,3=中等,4=好,5=极好)。
  • DLR对比噪声比在矢状位T2W FSE为6.15±7.45 vs 标准协议2.20±5.95(p<0.001),轴位T2W FSE为10.38±4.54 vs 4.91±2.69(p<0.001)。
  • T1W FSE对比噪声比2.67±8.98 vs 4.91±5.37(p=0.170)、STIR对比噪声比2.69±7.76 vs 2.25±5.52(p=0.610),均无显著差异。

临床应用与阅片要点

  • DLR协议总扫描时间6:26±0.13 vs 标准协议12:59±0.29 min,降低50.2%,其中矢状位T1W序列时间缩短最明显(106.31±3.51 vs 207.10±4.35 s)。
  • 诊断信心DLR与标准协议均为中位数5(IQR 4–5),p>0.05。
  • 作者认为缩短扫描时间可能提高患者配合度,尤其对幽闭恐惧或严重背痛难以长时间仰卧者。
  • 作者认为缩短扫描时间可在不影响采集时间、预约时间和患者不适的情况下追加序列。

局限性

  • 本研究为单中心研究,参与者数量少。
  • 仅纳入无症状个体,结果仅15人有偶发腰椎病变。
  • 未研究AIR Recon DL™在大量脊柱病变(如神经炎症或损伤、严重椎间盘炎、创伤)及大样本中的诊断性能。
  • 作者指出需进一步多中心前瞻性研究探究其对诊断准确性的影响。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Skeletal Radiol. 2023 Jun 28;53(1):151–9. doi: 10.1007/s00256-023-04390-9

引言

在初级保健中,腰痛是就诊全科医生或物理治疗师最常见的原因之一[1],并且腰痛被强调为伤残损失健康生命年的单一最高原因[2]。

椎间盘退变、Modic改变和小关节退变是腰痛最常见且可能的原因[3–5],可通过磁共振成像(MRI)检测,MRI已成为常用的诊断成像方式。

MRI在软组织分辨率和无电离辐射方面具有许多优势。然而,该方法受限于较长的采集时间,并依赖于参数调整以改善图像质量,最终导致更长的扫描时间[6]。

近年来,人工智能(AI)——特别是深度学习(DL)——在成像的许多领域取得了进展,如图像分类、分割、去噪、超分辨率和图像合成/转换[7, 8]。在对大量被视为金标准的高质量图像进行适当训练后,DL算法能够重建具有更高信噪比(SNR)、改善的空间分辨率和减少截断伪影的图像,与标准方案相比,可获得具有高诊断质量且采集时间缩短的图像[9–11]。

在近期提出的各种基于DL的算法中,GE Healthcare提出的获FDA批准的算法(AIR Recon DL™)使用深度前馈卷积神经网络,可重建具有更高SNR的图像、减少截断伪影并实现更高的空间分辨率。迄今为止,该流程已在多个解剖区域的2D序列上进行了训练和优化,并涵盖各种脉冲序列、对比加权、场强和线圈配置[6]。

尽管许多作者研究了AI应用在腰椎不同领域中的作用,如病变检测[12, 13]和报告[14],但据我们所知,AI算法在常规腰椎MRI全方案采集中的作用尚未被研究。

因此,本研究的目的是比较腰椎MRI中标准方案与新型深度学习重建方案之间的图像质量、诊断信心和扫描时间。

材料与方法

患者人群

2021年9月至2023年5月前瞻性招募了85名无腰痛主诉症状的健康志愿者,在意大利罗马Sant'Andrea大学医院使用1.5T MR扫描仪进行腰椎MRI检查。排除具有MRI incompatible装置、幽闭恐惧症以及MRI采集存在严重运动伪影的个体。

本研究经IRB批准,所有参与者均获得了知情同意。

MRI方案与深度学习图像重建(DLR)

所有检查均使用1.5T MR扫描仪(Signa Voyager - GE Healthcare,Waukesha,WI)进行,配备集成于患者检查床的32线圈单元专用阵列(https://integritymed.com/product/ge-signa-voyager-xt-15)。采集常规矢状位T1加权(T1W)快速自旋回波(FSE)、T2W FSE、短tau反转恢复(STIR)图像及轴位多层T2W FSE图像,以比较标准和DLR方案(图1)。未注射对比剂。记录各方案和序列的采集时间。表1显示了DLR算法和标准序列的采集参数。

AIR Recon DL™是安装在扫描仪上用于重建图像的算法。其流程包括一个深度卷积神经网络,可重建具有更高SNR、减少截断伪影和更高空间分辨率的图像。该网络采用监督学习方法训练,使用代表接近完美和常规MRI图像的图像集,从低质量数据集生成高质量图像。该软件包含可调节的降噪因子,范围在0到1之间,代表要去除的噪声方差比例(100%对应于从图像中去除所有预测噪声)。该流程可应用于多个解剖区域的2D序列,并适用于各种序列、对比加权、场强和线圈配置[6]。

图1 采集的序列。上方(A–E)DLR算法。A、D和E为T2W FSE;B为T1W FSE;C为STIR。下方(F–J)常规方案。F、I和J为T2W FSE;G为T1W FSE;H为STIR。DLR提高了信噪比(SNR)、对比噪声比(CNR)和图像锐度,并减少了伪影。DLR图像看起来比标准图像更平滑 查看原图 ↗
表1 DLR算法和标准序列的采集参数 查看原表 ↗

图像分析

定量图像分析

两名放射科医师(MZ和DDS,分别具有5年和7年MRI成像经验)在共识下,对患者信息和重建技术设盲,在商用高级工作站(AW Server 3.2 Ext. 3.4 - GE Healthcare)上进行定量图像分析,对每位患者/每组图像在DLR和标准方案图像上于第四腰椎椎体(L4)和椎间盘(L4/L5)绘制并克隆10mm²感兴趣区(ROI)(图2)。

收集信号强度、SNR和CNR。具体而言,ROI的平均信号强度用作信号强度,标准差(SD)用作噪声。椎体和椎间盘的SNR均计算为组织信号强度除以组织SD:

CNR计算为组织间SNR差值[15]:

图2 T2W FSE DLR图像上椎体和椎间盘的图像分析过程。A为矢状位;B和C为轴位图像。ROI为红色。对标准方案图像进行了相同的分析 查看原图 ↗

定性图像分析

另外两名放射科医师(FP和DC,分别具有3年和10年MRI成像经验),对重建技术设盲,在图像存档和通信系统(PACS)上独立分析DLR和标准方案的所有序列。采用五点Likert量表(5=优秀;4=良好;3=可接受;2=差;1=不可诊断)评估整体图像质量。

病理发现和诊断置信度

为避免回忆偏倚,两名进行定性分析的放射科医师在达成共识且仍对重建技术不知情的情况下,于2周后重新分析图像,评估病变实体的存在情况,包括椎体血管瘤、Schmorl结节、突出和Modic改变。分析包括每位患者病理发现的频率以及使用5分制评估诊断信心(1=无法诊断;2=差;3=中等;4=好;5=优秀)[16]。

统计分析

分类变量以中位数和四分位距(IQR)表示,连续变量以均值和标准差表示。采用Kolmogorov-Smirnov检验确定正态性。

酌情采用配对t检验和Wilcoxon配对检验比较常规图像与DLR图像之间的数据。

观察者间变异性采用kappa检验计算整体图像质量评分,判定标准为:轻微<0.20,一般0.21–0.40,中等0.41–0.60,显著0.61–0.80,几乎完美0.81–1.00 [17]。

统计分析使用MedCalc(MedCalc Software,版本15,Ostend,比利时)进行,p值<0.05视为有统计学意义。

结果

患者人群

从最初85名健康志愿者的初始人群中,共有80名被纳入研究(44名男性,36名女性)。参与者平均年龄为42.9 ± 17.1(范围:21–81)岁。具有 incompatible MRI设备者(n=1,宫内节育器)以及要求中断扫描的幽闭恐惧症受试者(n=4)被排除在研究之外(图3)。

图3 人群入组流程图 查看原图 ↗

MRI方案与深度学习图像重建

DL重建图像的采集时间低于常规图像(6:26 ± 0.13 vs 12:59 ± 0.29 min),时间缩短了50.2%。特别是,矢状位T1W序列的时间缩短最为显著(DLR序列和常规序列分别为106.31 ± 3.51 s和207.10 ± 4.35 s)。表2显示了每个序列的平均时间。

表2 DLR算法和标准方案的平均采集时间 查看原表 ↗

图像分析

定量分析

与标准图像相比,DLR算法重建的图像在所有序列中SNR均更高(所有p <0.001)。

DLR算法重建图像的CNR在矢状位T2W FSE(6.15 ± 7.45 vs 2.20 ± 5.95,p < 0.001)和轴位图像(10.38 ± 4.54 vs 4.91 ± 2.69,p < 0.001)中均优于标准方案,而T1W FSE(2.67 ± 8.98 vs 4.91 ± 5.37,p = 0.170)和STIR图像(2.69 ± 7.76 vs 2.25 ± 5.52,p = 0.610)未见显著差异。表3总结了SNR和CNR值。

表3 信噪比(SNR)和对比噪声比(CNR),以DL算法和标准方案的均值 ± 标准差表示 查看原表 ↗

定性分析

定性分析显示,DLR算法重建的图像在所有序列中整体质量均高于标准方案(所有p < 0.001)(读者1和读者2的中位数分别为:4,IQR:4–5;5,IQR:4–5),评估者间一致性为0.83(0.78–0.86)。对于读者1,最高质量见于矢状位STIR(中位数:5,IQR:4–5)和轴位T2W FSE(中位数:5,IQR:4–5);对于读者2,最高质量见于矢状位T1W FSE(中位数:5,IQR:4–5)和T2W FSE(中位数:5,IQR:4–5)。表4总结了两位读者的评分。

表4 两位阅片者在整体定性图像分析中的Likert量表评分 查看原表 ↗

病理表现与诊断信心

病理表现的频率在深度学习重建(DLR)与标准方案之间无差异;报告的表现为椎间盘突出(n=11)、Modic改变(n=8)、血管瘤(n=7)、Schmorl结节(n=4)及偶然发现(肾囊肿和附件囊肿,n=4),所有p>0.05。图4和表5总结了所报告的病理表现。两种方案中的任何表现均无可能妨碍图像评估的伪影(即混叠或条带伪影)。

DLR算法(中位数:5,IQR:4–5)与标准方案(中位数:5,IQR:4–5)的诊断信心相同,p>0.05。

图4 检测到的主要病理表现:血管瘤(箭头)、突出(箭头头)和Modic改变(星号)。A和C DLR算法,T2W FSE。B和D 常规方案T1W FSE 查看原图 ↗
表5 对纳入的80名受试者中15名受试者存在的病理表现所进行的亚组分析 查看原表 ↗

讨论

结果证实了我们前瞻性研究的假设:在腰椎MRI上,使用DLR算法采集的图像显示出更好的定量和定性图像质量,且扫描时间较标准方案缩短50.2%。AIR Recon DL™可能为腰椎MRI研究提供更快的扫描方案,甚至提供比标准方案更好的图像质量。据我们所知,尚未有人在常规MRI腰椎检查中比较DLR算法与标准方案。

在肌肉骨骼应用领域,Herrmann J.等人[18]评估了用于TSE序列(包括腰椎)的DL MRI重建的可行性。尽管该研究是在不同厂商的3.0T扫描仪上进行的,但在采集时间缩短和图像定性评估方面的结果与我们的结果一致。然而,作者将分析仅限于矢状位TSE T1W和TSE T2W图像,未进行SNR和CNR方面的定量分析,而我们的研究涵盖了整个标准采集方案。我们认为定量分析具有附加价值,因为它可以实现更好的比较,并可在不同研究之间进行可重复性验证。此外,我们的结果与一项聚焦于腰椎DLR的最新研究[19]一致,该研究证明与标准MRI方案相比具有更高的图像质量、更高的诊断准确性和更短的采集时间。值得注意的是,该研究使用的是与我们不同制造商的MRI设备,因此DLR可能跨厂商地优于常规序列,尽管仍缺乏直接比较研究。

此外,S. Hahn等人[20]也获得了类似结果,他们在3.0T肩部MRI检查中比较了标准MRI序列与未使用和使用AIR Recon DL™的加速序列在肌腱病变识别中的图像质量和诊断性能。他们的结果显示,使用加速DLR序列可获得与标准序列相似的主观图像质量、伪影和诊断性能,同时扫描时间缩短67%。以关节镜作为参考标准是该研究的附加价值;然而,缺乏定量分析是该研究的局限性。

在心脏成像领域,Velde N. 等人[21]评估了 AIR Recon DL™ 对疑似或已知心肌病患者晚期钆增强图像质量及心肌瘢痕定量的影响。他们证明,与标准 MRI 扫描相比,DLR 在视觉评分、SNR 和 CNR 方面改善了图像质量。尽管他们的结果是在 1.5T MRI 扫描仪注射对比剂后采集的图像上获得的,但与我们的结果一致。这使我们强调 DLR 在不同解剖区域应用的潜力。Kim M. 等人[22]在垂体病变评估中也研究了 AIR Recon DL™ 的诊断性能。他们的研究比较了 1 mm 层厚 MRI 联合 DLR 与 3 mm 层厚 MRI 在评估术后垂体腺瘤时识别残留肿瘤和海绵窦侵犯的能力。定量和定性分析结果显示,DLR 序列在识别残留肿瘤和海绵窦侵犯方面的敏感性高于常规序列。遗憾的是,未报告采集时间数据。尽管他们的分析是在与我们层厚不同的图像上进行的,但定量和定性结果均与我们的结果一致。这使我们推测,该算法无论序列采集参数如何,仍可在定性和定量方面改善图像质量。

关于 DLR 方案的临床影响,常规情况下可能实现多项优势。例如,缩短采集时间有助于提高患者依从性。正如 Schreiber-Zinaman J. 及其同事在不同解剖区域所证明的[23],腹部 MRI 中的多次序列可能导致患者不满和资源利用效率低下。这一原则也可应用于腰椎区域;事实上,更短的检查时间意味着更高的患者依从性,尤其是对幽闭恐惧症个体或患有严重背痛且难以长时间保持仰卧位的患者。缩短扫描时间的另一个相关优势是,在诊断需要时,可以增加更多序列而不显著影响采集时间、预约安排时间和患者不适。

此外,考虑到采集时间的缩短,还可以对成本作进一步考虑。Bratke G. 及其同事[24]表明,缩短扫描时间是提高 MRI 成本效率的有效方法。该 DLR 算法总共缩短 50% 的时间,也可促进科室成本优化;需要针对效益-成本平衡开展进一步研究,以确认如此显著的时间缩短所带来的影响。

我们的研究存在一些局限性。首先,这是一项单中心研究,参与者数量较少。其次,我们仅纳入了无症状个体。因此,只有 15 名个体存在偶发腰椎病变。第三,我们未在包括(例如神经炎症或损伤、严重椎间盘炎、创伤)在内的大范围脊柱病变中研究 AIR Recon DL™ 对诊断性能的影响,也未在大样本量中进行研究。

总之,与标准重建方案相比,AIR Recon DL™ 图像在定性和定量图像质量方面均更高,且采集方案显著更短。因此,我们建议深度学习方法重建(DLR)方案可安全应用于临床实践;仍需进一步的多中心前瞻性研究来探讨其对诊断准确性的影响。

引用

  1. Zerunian M, Pucciarelli F, Caruso D, et al. Fast high-quality MRI protocol of the lumbar spine with deep learning-based algorithm: an image quality and scanning time comparison with standard protocol. Skeletal Radiol. 2023. PMID: 37369725. doi:10.1007/s00256-023-04390-9
  2. 全文:PMC10661795(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10661795/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。