文献速递乳腺技术与安全MR

对比增强乳腺MRI造影剂注射前对最大强度投影伪影的智能预测

Smart forecasting of artifacts in contrast-enhanced breast MRI before contrast agent administration.
PubMed 文献 · Eur Radiol · 2023-12-15

该回顾性研究纳入2844例乳腺对比增强MRI检查,利用造影剂注射前采集的平扫T1加权序列训练DenseNet集成分类器,预测对比增强减影最大强度投影中可能出现的伪影。在独立测试集(n=285)中,特异度89%时敏感度31%,AuROC为0.66,提示可在注射造影剂前预测约三分之一的伪影。

要点

  • 在特异度89%条件下,集成分类器可于注射造影剂前预测约三分之一的减影MIP伪影(敏感度31%,AuROC 0.66)。
  • 全部检查中53.6%(1521/2844)经多数投票判定存在潜在显著伪影(Likert评分4或5分)。
  • 伪影来源评估显示70%(39/59)的显著伪影与运动相关,15%(9/59)与皮肤增厚相关,18.6%(11/59)与植入物相关。

核心结论

  • 本研究显示神经网络能够在注射钆基对比剂前,基于平扫T1加权序列预测对比增强减影MIP中伪影的发生。
  • 作者认为若经更大规模研究证实,该技术可能实现工作流融合的个体化预测算法以预防乳腺MRI伪影。

研究设计与样本

  • IRB批准的回顾性分析,纳入2015至2020年临床常规乳腺对比增强MRI检查共n=2844例(来自n=1982例患者,平均年龄49±12.5岁)。
  • 使用单一厂商(Siemens Healthineers)的4台MRI设备,场强1.5 T(Magnetom Aera、Magnetom Avanto)和3 T(Magnetom Skyra、Magnetom Vida)。
  • 将数据分为独立留出测试集(n=285)和主训练验证集(n=2559),比例为10%和90%,并确保两集中三位读者Likert评分均值分布相等。
  • 以造影剂注射前采集的平扫T1加权序列为输入,以对比增强减影MIP的二分类伪影标签为目标,训练3D-DenseNet201模型,采用五折分层交叉验证,取五折最佳模型组成集成分类器。
  • 参考标准为三位独立读者(经验分别为>10年、2年、<1年)对对比增强减影MIP伪影存在与严重程度的多分类多读者视觉评估,采用5点Likert量表,经多数投票二值化(1–3分为非显著伪影,4–5分为潜在显著伪影)。

关键影像表现/征象

  • 伪影来源评估(n=100连续病例)显示,多数显著伪影(39/59,70%)与运动相关,其中35.9%(14/39)表现为平扫T1w图像上可见模糊,38.5%(15/39)在平扫和增强T1w图像上均可见模糊。
  • 运动伪影中15.3%(6/39)表现为平扫与增强采集间体位显著变化而无明显模糊,10.3%(4/39)仅在增强图像上观察到模糊。
  • 其他伪影来源包括乳房切除术后皮肤增厚(9/59,15%)和植入物周围包膜 subtle 强化衬里但未满足包膜纤维化诊断标准(11/59,18.6%)。
  • GradCam分析显示网络预测决策主要集中于体积中央部分及MIP中伪影影响区域附近,这些区域与运动伪影或强度 flare-up 相关。

诊断标准与关键数值

  • 伪影视觉评估采用5点Likert量表:1分无伪影;2分轻微伪影无潜在评估妨碍;3分中度伪影可能损害视觉评估;4分明显伪影;5分高度显著伪影。
  • 二值化标准:1、2、3分归为非显著伪影(class 0),4、5分归为潜在显著伪影(class 1),最终检查类别由三位读者多数投票决定。
  • 在独立留出测试集(n=285,平均年龄49.7±11.8岁)中,集成分类器预测对比增强减影MIP伪影的AuROC为0.66,AuPR为0.71。
  • 在预设特异度0.89条件下,敏感度为0.31,可于注射对比剂前检测约三分之一的对比增强减影数据伪影。
  • 在数学最优AuROC截断点,集成分类器敏感度0.59、特异度0.62。

临床应用与阅片要点

  • 作者设想在注射钆基对比剂前利用平扫T1w序列预测伪影,可为技师提供干预点(如嘱患者保持不动或重复平扫序列),以预防后续减影MIP伪影。
  • 作者认为仅提供注射前预期伪影可能性的视觉评分也可作为合理替代,将后续决策更多留给技师。
  • 作者指出该研究为回顾性分析,预测性能为中等(AuROC 0.66),并认为需进一步研究探讨此类智能个体化影像方法的临床价值。

局限性

  • 本文为IRB批准的回顾性研究,作者在结论中指出若需确认该结果需在更大规模研究中验证。
  • 作者在要点中明确指出需进一步研究以探讨此类智能个体化影像方法的临床价值。
  • 作者指出与经典的采集后伪影检测算法相比,该网络性能为中等而非突出。
全文中译14 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:Eur Radiol. 2023 Dec 15;34(7):4752–63. doi: 10.1007/s00330-023-10469-7

引言

临床常规乳腺MRI检查通常采用多参数MRI采集方案。该方案通常将非增强(non-CE)形态学序列和扩散加权成像(DWI)序列与关键的动态对比增强(DCE)T1加权序列(T1w)相结合[1]。后者在静脉注射钆基对比剂(GBCA)之前及之后反复采集,从而能够显示乳腺组织局部灌注的改变,这是帮助检测乳腺癌的关键特征[2]。为改善放射科医生对灌注改变的观察,T1w-DCE序列通常经过处理以生成所谓的减影序列:从注射对比剂后采集的数据中减去注射对比剂前的初始T1w采集数据,剩余图像信息仅包含灌注信息。随着将乳腺MRI纳入筛查环境的兴趣日益增加[3, 4],使用最大强度投影(MIP)的简化方案引起了关注。MIP图像是体积的二维表示,呈现沿某一轴向体积内的最大强度值。MIP可对可疑病灶进行快速初步评估,因而已成为决定病灶是否存在以及是否需要使用完整切片集进行进一步明确或表征的可能初步分层节点。MIP在简化乳腺MRI方案中的这一关键地位凸显了对可靠且无伪影图像质量的需求,而后者很容易受到干扰,例如采集过程中患者轻微运动导致图像模糊。然而,许多乳腺MRI检查中都有伪影的报道[5–9]。因此,检测存在伪影的DCE采集是质量控制的重要组成部分,并可为放射科医生提供反馈,提示在阅片时可能需要特别关注的区域,或表明需要重复检查。最近,本团队已证明使用卷积神经网络(CNN)执行此类质量保证相关任务是可行的[6]。CNN是一种深度学习模型,专门设计用于通过自动且自适应地学习特征的空间层次结构来处理图像数据[10]。通过这一过程,CNN能够区分图像中的正常和异常模式,从而例如实现伪影的识别和定位[6, 11–15]。然而,此类算法只能在伪影出现之后才能检测到它们,可能使某些采集无法使用。因此,如果能够提前预防GBCA注射后出现的伪影,将会是有益的。在注射GBCA之前预测此类伪影的发生将允许对正在进行的MRI检查进行干预,例如建议患者保持不动,或重复GBCA注射前的非增强序列(该序列用于处理减影序列)。

因此,我们研究了神经网络在注射GBCA之前预测乳腺MRI CE减影序列中可见伪影的能力。我们通过分析对比剂给药前的非CE T1w采集来实现这一点,设想为在正在进行的检查中改善乳腺MRI提供一个具有临床意义的干预点。

材料与方法

研究样本与伦理批准

这项经IRB批准的回顾性研究使用2015年至2020年间作为临床常规工作一部分进行的乳腺MRI检查。患者的纳入标准为有临床指征的乳腺MRI检查,且检查采用完整的诊断性乳腺MRI方案进行,包括GBCA给药后的DCE成像序列。排除标准为男性患者和缺失DCE采集。此外,我们排除了来自一台MRI系统的检查,该系统的检查数量在研究时间段内少于10次。研究队列按全数据的10%和90%截断值分为独立保留测试集(n = 285次MRI检查)和主要训练与验证集(n = 2559)。在此划分过程中,确保三位阅片者所给出的Likert量表标签均值分布在两个集合中相等。

此外,从测试集中确定了n = 100例连续患者的子集,用于评估“伪影来源评估”部分所述的伪影来源。最终研究流程图见图1。

最终患者人群的部分病例(n = 2265和n = 1309)被纳入本课题组既往的研究中,这些研究涉及采集后CE MIPs中的伪影检测[6]以及高b值DWI的MIPs中的伪影检测[11]。与这些研究相比,本研究侧重于开发一种算法,该算法仅使用CE MIP的注射前T1w采集来预测伪影在发生之前的情况。

图1 纳入研究的n = 2844次MRI检查概览。在n = 2911次MRI检查中,数据集因包括男性患者(n = 5)、不符合MRI系统要求(指两次检查在1.5-T Sola MRI上进行)以及检查未进行对比增强采集(n = 60)而被排除 查看原图 ↗

MRI方案

乳腺成像检查使用同一厂商(Siemens Healthineers)的四台不同临床常规MRI设备进行,分别为1.5 T(Magnetom Aera、Magnetom Avanto)和3 T(Magnetom Skyra、Magnetom Vida),如前所述[6]。临床常规乳腺MRI方案由多参数方案组成,包括非CE形态学(T1加权、T2加权)、DWI以及静脉注射GBCA前后的T1加权DCE序列。本研究分析数据(T1加权序列)的MRI参数详细概览见表1。

表1 所采集T1加权序列的序列详情 查看原表 ↗

阅片者研究的数据处理

所有数据均使用开源RSNA CTP流程从埃尔朗根大学医院的常规临床图像归档与通信系统中检索。为评估伪影,创建了第二期减影序列的MIPs。有关此数据处理的详细信息见补充材料。

视觉伪影评估

由三位独立阅片者(S.B.,放射科医师,具有超过10年放射学经验;J.E.,医学研究助理,具有2年MRI经验;D.S.,研究助理,具有不足1年MRI经验)对左右乳腺所有处理后的CE减影MIP图像进行阅片,评估图像伪影的存在及其严重程度。阅片采用5点李克特样量表:1—完全无伪影;2—轻微伪影,不具有妨碍评估的潜在可能;3—中度伪影,可能影响视觉评估;4—明显伪影;5—高度显著伪影。CE减影MIP图像不同评分的概况见图2。

对伪影存在与否的评分独立于图像上检测到的伪影是否实际覆盖了该患者的重要乳腺病变。然而,被归类为明显或高度显著(评分值为4和5)的伪影被要求具有在临床上掩盖图像上重要发现的潜在可能。为创建检查水平的标签,选取左右乳腺中最高的伪影值。此外,对检查水平的伪影评分进行二值化处理,将评分标签1、2和3视为“非显著伪影”(0类),将评分标签4和5视为“潜在显著伪影”(1类)以供进一步处理。在此二值化过程之后,利用多数投票法从三次阅片结果中计算出最终检查类别(0类或1类)。选择二值化是为了深入了解临床适用的沉浸式工作流程方法,在该方法中,二值化建议比单纯提供视觉多类别量表评分能更清晰地指导是否重复采集。

图2 动态对比增强(DCE)减影最大强度投影(MIP)中伪影分类示例。A 完全无伪影(评分1);B 轻微伪影,但不具有妨碍评估的潜在可能(评分2);C 中度伪影,可能影响视觉评估(评分3);D 明显伪影(评分4);E 高度显著伪影(评分5) 查看原图 ↗

伪影来源评估

为探究所识别伪影的来源,由一名阅片者(S.B.,放射科医师,具有超过10年经验)对测试数据集中连续的n = 100例病例进行附加评估。该阅片者通过并排评估原始T1w采集、CE T1w采集、CE T1w减影图像以及CE减影图像的MIP来进行评估。在评估过程中,检查图像中平扫或增强期体积内是否存在运动所致的模糊,或两个体积之间乳腺位置的变化。还检查体积内是否存在皮肤强化(不一定伴有病理性增厚)或植入物在囊壁周围显示轻微强化衬里但不符合囊膜纤维化的诊断标准。

神经网络架构设置与训练

使用未增强T1加权序列作为输入,以所述的二值化伪影类别作为目标,训练了一个3D-DenseNet201神经网络[16](见图3)。主要训练和验证数据集用于五折分层交叉验证训练[17, 18]。然后将交叉验证期间训练的表现最好的五个模型组合成一个集成分类器,用于预测留出测试数据集中的伪影。关于T1加权序列的选择、其预处理、神经网络训练、超参数、最终模型选择以及集成分类器创建的详细信息可在补充信息中找到。

图3 神经网络概念的描绘,不仅检测现有伪影,还利用人工智能在伪影发生之前进行预测。关于动态对比增强采集的常见检查工作流程包括:获取对比前T1加权序列,然后注射钆基对比剂(GBCAs)并重复T1加权采集。在第二次采集后,对对比前和对比后图像进行减影,并创建最大强度投影。 查看原图 ↗

诊断性能与统计分析

为评估性能,使用了受试者工作特征(ROC)曲线和精确率-召回率(PR)曲线及其曲线下面积(AuROC和AuPR)、灵敏度、特异度、准确率、F1分数以及阳性和阴性预测值(PPV、NPV)。对阳性类概率截断值进行优化,以在特异度尽可能接近0.9的同时实现最大灵敏度。为评估网络预测伪影的潜力,使用GradCam++[19]算法从表现最佳的交叉验证模型(由AuROC定义)计算类激活图,然后由一位经验丰富的放射科医师进行解读。应用卡方检验来检验不同扫描仪类型之间或训练集与测试集之间是否存在统计学显著不同的伪影分布。进行McNemar检验以确定集成分类器之间在准确率、灵敏度或特异度方面是否存在差异。为比较不同阅读者之间的伪影分类,计算每两位阅读者之间的加权Cohen kappa,并计算Fleiss kappa以比较评估者之间的总体一致性。统计分析使用MATLAB v2020b进行。

结果

研究样本特征

应用排除标准后(图1),纳入了来自n = 1982例患者(年龄:均值49 ± 标准差12.5岁)的n = 2844次乳腺MRI检查。在该队列中,具有显著发现(定义为BI-RADS 3或更高)的乳腺MRI检查在训练和验证数据集中描述了n = 899次(35.2%)检查,在独立测试数据集中描述了n = 103次检查(36.2%)。在数据集中,n = 633/2844(22.3%)次乳腺MRI检查在1.5-T Magnetom Avanto上采集,n = 388/2844(13.7%)在1.5-T Magnetom Aera上采集,n = 874/2844(30.7%)在3-T Magnetom Skyra Fit上采集,n = 943/2844(33.2%)在3-T Magnetom Vida上采集。队列以及训练集和测试集的详细信息见表2。

表2 训练和验证数据集及独立测试数据集概述 查看原表 ↗

对比增强减影最大强度投影(MIP)图像伪影的发生频率

每位阅片者在检查水平上对图像伪影的Likert样量表评分值的频率见表3。在整个数据集上,二分类类别达到了高度一致性(Fleiss kappa = 0.61),多分类分类的一致性略低(Fleiss kappa = 0.41),表明三名独立阅片者在5点伪影分类之间具有中等一致性。所提供不同评分的示例病例见图2。应用多数投票后,在n = 1521(53.6%)的CE减影MIP中识别出潜在显著伪影。二分类后MRI系统中显著伪影的分布如下:Avanto,1.5 T,n = 305/633(48.2%);Aera,1.5 T,n = 219/388(56.4%);Skyra Fit,3 T,n = 425/874(48.6%);Vida,3 T,n = 572/943(60.1%)。在独立测试集中,n = 155(54.4%)次检查存在显著伪影。在训练集中,n = 1366(53.4%)次检查存在显著伪影。训练集与验证集及测试集之间在伪影或系统分布上未发现显著差异(p = 1.0)。

表3 训练集与验证集及独立测试集中所有个体阅片者伪影读片结果概览 查看原表 ↗

伪影来源评估

图4展示了基于GBCA给药前T1加权采集回顾性评估的伪影来源示例。伪影来源分析显示,大多数在MIP上伪影评分为4或5的伪影(39/59,70%)与运动相关(见图4a和b)。其他类型的伪影来源与皮肤增厚相关,尤其是在乳房切除术后病例中(9/59,15%)以及植入物女性中,表现为囊壁周围细微强化衬里但不符合囊膜纤维化标准(18.6%,11/59;图4c)。

运动伪影的亚分类,n = 39,显示大多数此类病例在平扫T1w采集上可见图像模糊(图4a),n = 14/39(35.9%),或在平扫和增强后T1w图像上均可见,n = 15/39(38.5%)。其余运动伪影显示平扫与增强后采集之间体位显著变化(图4b),但两者均无明显模糊:n = 6/39(15.3%)。在n = 4/39(10.3%)中,仅在增强后图像上观察到模糊。

图4 A 一例在减影图像及减影最大强度投影(MIP)中存在显著伪影(采集间静态位移)的患者示例。上排显示T1w平扫(左)和T1w增强(右)采集,定位十字显示两次采集之间存在位移。采集图像本身未见明显模糊,这导致MIP(左下)和单层减影数据(右下)中出现伪影。B 一例在减影图像及减影最大强度投影(MIP;左下图像)中存在显著模糊(运动)伪影的患者示例。上排显示T1w平扫(左)和T1w增强(右)采集,放大图显示增强前采集期间发生的运动相关模糊,导致减影MIP(左下)和单层减影数据(右下)中出现伪影。C 一例植入物相关伪影。上排显示T1w平扫(左)和T1w增强(右)采集,减影图像(右下)显示植入物周围存在细微的线状信号强度增高,在减影最大强度投影(左下)中累积形成伪影。 查看原图 ↗

神经网络性能

使用集成分类器,网络在独立留出测试数据集中预测钆基对比剂(GBCA)给药前增强减影图像伪影的AuROC为0.66,AuPR为0.71,ROC和PR曲线见图5。在预设特异性水平0.89下,其敏感度为0.31:能够在开始对比剂给药前检测到GBCA减影数据中约三分之一的伪影。在数学最优AuROC截断点处,集成分类器在特异性水平0.62下达到敏感度0.59。各折及集成分类器在测试集上的详细性能指标见表4。

GradCam图像的评估见图6。值得注意的是,GradCam指向体积的中央部分以及MIP中靠近受伪影影响区域的区域。这些区域与受运动伪影(图6B)或信号强度骤增(图6C)影响的区域相关。

图5 集成分类器在开始钆基对比剂给药前预测乳腺MRI增强减影图像伪影的AuROC曲线 查看原图 ↗
表4 诊断性能 查看原表 ↗
图6 一例乳腺MRI检查示例,减影数据中存在显著伪影(A),B和C分别代表被识别为提供细微运动伪影(B)和场不均匀性导致信号强度增高(C)的层面。D展示GradCAM,用以说明网络主要基于B和C中识别的目标区域做出预测决策。蓝色区域表示对最终预测贡献低的区域,红色标记区域表示对最终预测贡献高的区域 查看原图 ↗

讨论

本研究表明,对于乳腺MRI减影最大强度投影(MIP),在注射大环内酯类对比剂(GBCA)之前预测伪影的发生似乎是可行的。我们的结果表明,神经网络通过分析注射前即刻采集的未增强T1加权序列,已经能够在增强前预测对比增强减影数据上的某些伪影。该神经网络在此预测任务中达到了0.66的中等曲线下面积(AUC),并提供了89%的高特异度,同时能够预测减影数据中约三分之一的伪影。

提供可靠且可重复的图像质量是诊断影像学的一个重要目标,尤其是在易产生伪影的影像检查如MRI中。因此,识别阻碍诊断评估的潜在来源(图像伪影)是质量控制的一个重要方面。尽管无疑高度相关,但在已采集的成像序列中检测到伪影意味着该伪影的形成已经发生。因此,为了从诊断评估中去除伪影,通常需要重复采集相应图像。因此,预测伪影的技术是一个非常理想的目标。这将允许在伪影发生之前进行干预,从而为诊断影像流程提供一种真正的预测性干预方法。

乳腺MRI检查在筛查用途方面的适用性正日益受到评估,无论是作为特定人群中的辅助方法还是潜在的补充筛查方法,例如在X线乳腺摄影中乳腺组织高度致密的女性[20–22]。Kuhl等人于2014年发表的一篇里程碑式论文呈现了最初的研究之一,证明了使用仅包含未增强T1加权采集和对比剂给药后单次T1加权采集的简化乳腺MRI方案的可行性[3, 4]。随后使用这两个序列来生成减影序列,从而能够创建MIP作为初始阅片序列。这种减影MIP已被建议能够在单个成像容积中评估双侧整个乳腺体积,同时保持>99%的高阴性预测值[3]。多项研究已证明该方法具有高诊断价值,能够以高灵敏度检测可疑病灶[23–25]。然而,乳腺MRI采集通常容易产生伪影[6–8]。如果生成减影图像并进一步处理为MIP以便于放射科医生可视化,不同层面的伪影来源和伪影可能会相互叠加。在我们的研究中,三位阅片者将19–35.4%的评估MIP描述为在多分类阅片中评为最高严重程度的伪影。这与Carbonaro等人(35%)[8]、Fiaschetti等人(16%)[9]和Clauser等人(46%)[7]所描述的伪影率范围一致。

开发我们的方法时,重要的是考虑了如何将此类技术融入临床常规工作流程,以开启临床转化的潜力。与许多质量保证方法不同,我们并非提供回顾性质量记录,而是旨在通过为技师开发一个真正前瞻性的干预点来突破这一原则。因此,我们希望在图像伪影发生之前改变检查进程。基于分析检查中已采集的部分,预测MRI协议中“尚未开始”部分出现伪影的可能性,提供了这样一个前瞻性干预点。由于动态GBCA增强采集在注射GBCA后通常无法重复,我们进一步聚焦于检查中因此尤为临床关键的一个步骤。因此,多分类判读被转换为二值化标签以供进一步分析。这使得算法能够提供明确的建议,即在开始GBCA给药或继续检查之前进行干预。然而,仅在GBCA给药前提供预期伪影可能性的视觉评分也可作为一种合理的替代方案,使技师在如何继续操作方面拥有更大的决定空间。

总体而言,与作用于已采集数据的经典采集后伪影检测算法相比,该网络达到了中等但并非突出的性能。然而,这或许可被视为本研究的优势而非弱点。基于GBCA给药前非增强T1加权采集可预测的近期伪影,必须以某种方式体现在所分析的数据中。这无法涵盖减影图像上可见的所有伪影,因为来源发生在GBCA给药之后的伪影,例如由于GBCA流入时患者运动[8]所致的伪影,在患者未运动的情况下,通过分析GBCA注射前的T1加权序列不可避免地无法被预测。这一显而易见性也与我们的数据相关,数据表明与其他来源的伪影相比,运动伪影对算法最具挑战性。向技师提供伪影来源作为标签可进一步分层干预措施。例如,我们观察到一些伪影源于乳房植入物周围的轻微强化(不符合包膜纤维化标准)。即使被正确预测,此类伪影也无法通过当前干预措施避免,因为它们源于生物组织行为,因此在扫描期间可能不一定需要报告。尽管如此,神经网络预测了数据集中的许多伪影,表明此类干预点的临床潜力,同时保持高特异性以避免过多不必要的呼叫。

因此,这项首次可行性研究中描述的技术可能对乳腺MRI具有非常重要的临床意义。它可以在常规工作流程中应用,同时通过不仅记录出现问题的时间,还帮助避免在正在进行的检查中可以预见的未来障碍,从而改善乳腺MRI。如果预测在检查即将进行的部分中出现伪影的可能性很高,技术人员可以在开始注射钆对比剂(GBCA)之前进行干预,例如建议患者保持不动或使用不易产生运动的采集序列。有研究表明,即使在扫描前提供此类信息,也可能对伪影的发生产生积极影响[26]。然而,这些干预措施必须与因干预而延长MRI检查时间的风险进行权衡,因为更长的检查时间本身可能增加运动伪影的风险[27]。

我们的研究有几个显著的局限性。首先,样本量相对较小,仅有n = 2844个乳腺MRI数据集。尽管这是乳腺MRI伪影评估领域最大的研究之一,但未来的研究应检验该方法在不同供应商和各种设置(如不同的乳腺线圈)下的泛化性。此外,应研究不同的T1加权图像采集技术,以评估GBCA增强成像中使用的不同采集技术的泛化性。另一个局限性是只有三位阅片者进行了伪影判读,未来研究中需要更多的阅片者。尽管我们证明了神经网络在伪影发生之前预测伪影的能力,但我们没有进行前瞻性研究来探讨其临床影响。因此,我们尚无法确定通过干预可以预防预测伪影的程度,也无法确定在临床环境中使用神经网络在简化乳腺MRI方案中实现的伪影总体减少率。此局限性还包括我们考虑了检测到的任何伪影,而不论其在各自病例中对全乳腺MRI检查诊断评估的实际影响程度。因此,我们没有研究在个别病例中现有病灶是否被遮蔽,所以在我们的回顾性数据集中,伪影的存在不一定导致乳腺MRI检查无法诊断。因此,临床适用性和影响不能仅从我们的数据中得出。未来需要进一步研究这种MR伪影的预测方法,并确定该方法的稳健性和泛化性。尽管存在这些局限性,神经网络的灵敏度可能足以通过避免许多重复检查,在大规模场景(如筛查)中显著提高工作流程效率。

总之,我们的结果证明了使用神经网络在GBCA给药前预测GBCA增强乳腺MRI中出现的一些伪影的技术可行性。如果在更大规模的研究中得到证实,这将提出开发干预策略以通过减少图像伪影来进一步推进GBCA增强乳腺MRI的可能性。需要进一步研究来开发和评估此类干预策略。

补充信息

以下是电子补充材料的链接。补充文件1(PDF 288 KB)

引用

  1. Liebert A, Das BK, Kapsner LA, et al. Smart forecasting of artifacts in contrast-enhanced breast MRI before contrast agent administration. Eur Radiol. 2023. PMID: 38099964. doi:10.1007/s00330-023-10469-7
  2. 全文:PMC11213750(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11213750/

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。