文献速递骨肌MR

深度学习重建提升1.5T零回波时间MRI肩关节骨评估

Enhanced bone assessment of the shoulder using zero-echo time MRI with deep-learning image reconstruction.
PubMed 文献 · Skeletal Radiol · 2024-04-24

本回顾性研究纳入63次肩关节1.5T MRI检查,比较深度学习重建(DLRecon)与标准重建(SOC)在零回波时间(ZTE)序列中对骨性结构的显示。DLRecon在骨的信噪比和对比噪声比上均显著优于SOC,并提高了骨性病变(退变及创伤后改变)的显示质量和诊断信心,但伪影评分无显著差异。

要点

  • DLRecon可显著提高ZTE肩关节MRI骨的信噪比和对比噪声比,利于显示骨皮质和骨小梁细节。
  • DLRecon对骨赘、软骨下囊肿、软骨下硬化及骨折线与骨折块的显示评分显著高于SOC。
  • DLRecon可能提高对骨性病变的诊断信心,但图像伪影评分与SOC无显著差异。

核心结论

  • DLRecon可提升ZTE肩关节MRI的图像质量,改善骨性病变的显示,并提高骨评估的诊断信心。

研究设计与样本

  • 回顾性研究,纳入2022年7月至11月连续67次肩关节检查中的63次检查(52例患者,平均年龄46±14岁,女性28例),最终定量分析纳入43次检查。
  • 所有检查在同一台1.5T MRI(SIGNA™ Artist, GE HealthCare)上完成,采用16通道肩关节线圈,采集冠状位3D各向同性径向ZTE序列。
  • 同一原始数据分别经标准重建(SOC)和供应商提供的原型深度学习重建(DLRecon, AIR™ Recon DL)处理,DLRecon降噪水平设为100%。
  • 由两名盲法阅片者(8年经验放射科医师和4年经验住院医师)采用4分制(0差、3完美)评估图像质量和骨性病变显示,并以CT样灰阶反转显示。
  • 定量分析测量骨的信噪比(SNR)和对比噪声比(CNR),定性变量采用Wilcoxon符号秩检验和McNemar检验,定量变量采用配对t检验。

关键影像表现/征象

  • DLRecon在除伪影外的所有图像质量视觉指标上评分均显著高于SOC(p<0.03),伪影评分无显著差异(p=0.37)。
  • 退变亚组中,DLRecon对骨赘、软骨下囊肿和软骨下硬化的显示评分显著高于SOC(p<0.002)。
  • 创伤后亚组中,DLRecon对骨折线和骨折块的显示评分显著高于SOC(p≤0.03),诊断信心也显著更高(p=0.023)。
  • 骨折移位评级在两种重建方法间无统计学显著差异(p=1.00),SOC判为移位的比例为73%,DLRecon为80%。
  • DLRecon的图像质量评分者间一致性为中等至高度(κ=0.52–0.75),SOC为中等至高度(κ=0.54–0.74)。

诊断标准与关键数值

  • 图像质量采用4分制:0=差/不可诊断,1=可接受,2=好,3=完美;伪影评分4分制:0=无,1=轻度,2=中度,3=重度。
  • 骨CNR:SOC为2.3±1.4,DLRecon为4.5±3.2,平均差2.2(95%CI [1.4–3.1]),p<0.001。
  • 骨SNR:SOC为19.6±3.7,DLRecon为38.0±9.7,平均差18.4(95%CI [15.3–21.5]),p<0.001。
  • 骨折移位评级为二分类(是/否),DLRecon与SOC之间无统计学显著差异(p=1.00)。

临床应用与阅片要点

  • DLRecon处理的ZTE序列可提高骨皮质和骨小梁结构的显示,有助于在肩关节MRI中评估退变和创伤后骨性病变。
  • DLRecon可能提高对骨折线、骨折块及肩关节不稳相关骨性病变(如骨性Bankart损伤、Hill-Sachs损伤)的显示和诊断信心。
  • DLRecon未显著增加伪影评分,但图像平滑度改变可能影响阅片者盲法,解读时需注意图像保真度。
  • ZTE序列可提供CT样骨对比,结合DLRecon可能作为一站式肩关节MRI方案的一部分,但原文未据此给出推荐。

局限性

  • 样本量中等,各亚组样本量尤其有限。
  • 骨性异常未以CT作为参考标准进行对照,研究队列为临床连续患者,未行同期CT检查。
  • DLRecon仅应用于1.5T ZTE MRI,未评估3T或其他场强。
  • 由于DLRecon图像特征明显,阅片者盲法可能未完全有效,可能对评分引入偏倚;本研究采用100%最高降噪水平可能造成人工图像印象。
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. 2024 Apr 24;53(12):2597–606. doi: 10.1007/s00256-024-04690-8

引言

肩部MRI是诊断多种临床疑似病变(如退行性疾病或创伤性损伤)的首选影像学检查方法[1]。特别是,MRI能够对软组织和骨髓进行极佳的评估。此外,通过具有“类CT”骨对比度的零回波时间(ZTE)MR成像,即使是具有超短T2弛豫特性的矿化骨或其他钙化结构的详细评估也已成为可能[2–4]。近期商用软件的推出促进了该技术常规纳入标准诊疗MR协议[5–8]。ZTE应用于肩部MRI的获益此前已被证实,CT与ZTE图像之间具有高度的跨模态一致性[9–11]。作为一种固有的三维容积技术,ZTE还可支持多平面重建和最大强度投影渲染,与CT类似。

然而,尽管ZTE MRI在不断开发,其整体骨显示质量仍逊于CT。ZTE序列的优化仍然具有挑战性,因为它需要在空间分辨率、信噪比(SNR)和扫描时间之间进行权衡[5]。由于短T2成像采用亚毫秒级和高带宽采集,其SNR通常比常规MRI更为受限[12]。这也意味着对射频链路和梯度性能有一定的硬件要求[13]。近期旨在在临床合理扫描时间内提高SNR效率的研究集中于 retrieval 在ZTE成像中因射频激发和切换所产生的死区时间内丢失的中心k空间数据的方法[14]。然而,传统图像重建的固有局限性仍然存在。

人工智能(AI)在图像重建中的应用为解决ZTE MRI中的这些挑战提供了新途径[15]。深度学习重建(DLRecon)算法已被证明能够解耦传统的SNR相互依赖关系,即同时改善图像质量并缩短扫描时间[16]。商用DLRecon实现正日益被纳入越来越多MRI技术的临床协议中,同时在肩部也已有可喜结果的报道[17, 18]。将DLRecon应用于ZTE肩部MRI可进一步提高其在合理扫描时间内对骨性病变的诊断价值。因此,AI增强的ZTE序列可更广泛地确立为肩部MRI的常规组成部分,届时甚至可能成为部分患者的一站式检查方式,免除额外的CT及其辐射暴露和额外费用。

我们假设DLRecon将提高肩部ZTE序列的整体图像质量,从而增强对骨性结构(包括病变)临床评估的诊断信心。本研究旨在评估DLRecon算法与标准诊疗(SOC)重建相比,在改善ZTE肩部MRI图像质量和骨评估方面的效能。

材料与方法

研究设计

本研究经机构审查委员会批准。所有参与者在成像前均获得了书面通用知情同意。

在这项回顾性研究中,2022年7月至11月间连续纳入了56例患者的67次肩部检查。其中三次检查未由扫描仪使用深度学习(DL)算法进行重建。12例患者进行了双侧肩部扫描,其中一例患者在同一亚组中进行分析,因此仅纳入该个体的右侧检查以避免依赖数据。最终分析共纳入52例患者的63次检查。其中14次检查为MR关节造影。

MRI的临床指征包括肩部外伤史(n = 21)、慢性肩袖病变(n = 14)、盂肱关节不稳(n = 10)、非特异性肩痛(n = 9)、术后状态(n = 4)、冻结肩(n = 3)、滑囊炎(n = 2)和类风湿性关节炎(n = 1)。

所有检查根据书面放射学报告分为三个亚组:(1)无病变,(2)退行性改变,(3)创伤后改变。各亚组的人口统计学资料见表1。

所有因临床指征至我院行肩部MR检查的患者均被考虑纳入研究。排除标准为:因采集时原始数据本地存储不完整而无法使用DLRecon进行回顾性重建,以及患者年龄< 18岁。此外,标准重建图像因硬件或运动伪影导致整体图像质量严重下降的检查将被排除在分析之外。

表1 研究亚组 查看原表 ↗

图像采集

所有检查均在同一台临床1.5特斯拉MRI系统(SIGNA™ Artist,GE HealthCare,Waukesha,WI,USA)上完成。患者使用专用16通道肩部线圈以仰卧位进行扫描。冠状位3D各向同性径向ZTE脉冲序列作为我院标准肩部MR扫描方案的一部分获取[19]。扫描参数见表2。

表2 ZTE MR序列参数 查看原表 ↗

深度学习图像重建

ZTE序列的标准重建由扫描仪原生的在线重建流程完成,已在常规临床实践中执行,在本研究中称为标准诊疗(SOC)[20]。此外,采集的原始数据还使用供应商提供的深度学习重建流程原型(AIR™ Recon DL,GE HealthCare,Waukesha,WI,USA)进行重建。DLRecon包含一个深度卷积神经网络(CNN),作用于原始k空间数据以提供锐利、低噪声的图像[21]。具体而言,DLRecon旨在降低图像噪声和截断伪影,同时改善边缘锐度以提升图像质量。该CNN采用监督学习方法训练,使用多样的近完美MR图像与合成的质量较低版本(具有更多截断伪影和更高噪声水平)配对。训练数据库包含四百万个独特的图像组合,涵盖广泛的图像内容,以实现跨所有解剖部位的泛化能力。该原型允许用户调节降噪因子,范围为0至100%。事先,一组未纳入研究的样本检查以不同的去噪水平进行重建,并由作者审阅。在本研究中,激活了最高去噪水平(100%),以探究两种重建方法之间的最大差异,并检测图像细节的潜在模糊或阈值化。去噪控制独立于振铃减少,且不影响边缘锐度以保留图像特征[22]。所测试的原型是DLRecon商用版本的扩展,使其兼容3D ZTE数据。

图像分析

定量分析

为定量评估图像质量,在两种重建方法中测量了骨的信号噪声比(SNR)和对比噪声比(CNR)。伴有骨折的子集被排除在定量分析之外,以避免潜在失真。此外,为避免数据依赖性,在五名接受双肩扫描的患者中排除了左肩检查,最终分析纳入n = 43次检查。

在盂中水平的同一单层轴位图像上,将5平方毫米的感兴趣区(ROI)置于以下位置:(1)肱骨头中心和盂,分别作为细结构和粗结构松质骨的参考;(2)盂旁的肩胛下肌。

此外,在第一个能容纳3 mm² ROI的近端层面上测量肱骨近端骨干的皮质骨。计算每个ROI的信号强度(SI)均值和标准差(SD)值。计算骨和肌肉SD值的均值,以获得解剖内部不同位置的噪声估计。

松质骨和皮质骨测量的均值作为骨信号用于SNR和CNR,计算如下:

定性分析

ZTE序列由两名读者(一名拥有8年经验的委员会认证放射科医师和一名拥有4年经验的放射科住院医师)在标准PACS工作站(DeepUnity Diagn,Dedalus,波恩,德国)上使用诊断质量显示器独立分析。两名读者对重建方法、临床信息和放射学报告均不知情。所有扫描均随机化,使用PACS中的多平面重建工具在所有三个平面上评估整个成像体积。图像经灰度反转以实现类CT可视化。为确保一致性,观察者事先接受了培训课程,共同审阅了一套单独的10例检查练习集,直至达成共识。

定性评分系统总结于表3。采用4分制(0-差/非诊断性,1-可接受,2-良好,3-完美)对图像质量属性进行视觉评分。在无病变亚组中,图像质量通过评估皮质骨和松质骨的勾画、解剖结构清晰度及整体图像质量进行评分。在退行性改变组中,如存在,则分别评估骨赘形成、软骨下囊肿、软骨下硬化和软组织钙化的勾画。骨折亚组对骨折线和骨碎片的勾画进行评分,而移位采用二分类评分(是/否)。此外,评审者还对各自病变亚组中可视化退行性改变和骨折的诊断信心进行评分。

无病变组中伪影的存在按4分制(0-无,1-轻度,2-中度,3-重度)评分,评估其对骨结构显示的负面影响。

表3 用于评估图像质量和病变的4分定性评分系统总结 查看原表 ↗

统计分析

采用Shapiro–Wilk检验评估数据的正态性。正态分布变量以均值±标准差报告,非正态分布变量以中位数±四分位距(IQR)报告。定性图像分析的阅片评分采用非参数配对样本Wilcoxon符号秩检验比较有序数据,采用McNemar检验比较二分类变量。定量分析采用配对样本Student t检验评估,并报告平均差值和95%置信区间(95 CI)。

评估者间一致性通过线性加权Cohen's kappa计算,附95%置信区间(95 CI),数值解释如下:0.00–0.20 = 一致性差,0.21–0.40 = 一致性一般,0.41–0.60 = 一致性中等,0.61–0.80 = 一致性好,0.81–1.00 = (几乎)完美一致。

p值低于0.05视为显著。所有计算均在SPSS(IBM SPSS Statistics,版本29.0;IBM,Armonk,NY,USA)中完成。

结果

最终研究队列包括52名患者的63例检查(平均年龄:46 ± 14岁,28名女性)。详细患者人口统计学资料列于表1。

定量分析

如图1所示,与标准护理(SOC)相比,DLRecon在骨骼的CNR和SNR方面显著更高。SOC和DLRecon的CNR均值±标准差分别为2.3±1.4和4.5±3.2(平均差值:2.2);SNR分别为19.6±3.7和38.0±9.7(平均差值:18.4)。CNR(95 CI [1.4–3.1])和SNR(95 CI [15.3–21.5])比较的p值均小于0.001。与SOC相比,DLRecon的CNR和SNR测量值表现出更大的变异性,这在先前对同一底层DLRecon方法的研究中也有观察到[23, 24]。

图1 比较标准护理(SOC)与深度学习重建(DLRecon)方法之间骨骼CNR和SNR的箱线图(*标记:p < 0.001)。缩写:CNR,对比噪声比;SNR,信噪比 查看原图 ↗

定性分析

资深阅片者对SOC和DLRecon图像质量特征的评估分布见图2。所有亚组的中位评分(IQR)比较及相关p值和评分者间一致性见表4。DLRecon在所有图像质量特征上的评分均显著高于SOC(p < 0.03),但在伪影类别中,两种重建方法之间无显著差异(p = 0.37)。总体而言,DLRecon的伪影评分(1(0–1))略高于SOC(0(0–1))。图像质量类别的评分者间一致性在DLRecon(κ = 0.52–0.75)和SOC(κ = 0.54–0.74)中均从中等至高度一致。使用DLRecon和SOC进行ZTE骨骼显示的示例图像见图3。

图2 无病变亚组(n = 23)图像质量视觉评分图解概览。缩写:DLRecon,深度学习重建;SOC,标准护理 查看原图 ↗
表4 所有亚组的中位评分(四分位距)比较及相关p值和评分者间一致性(95%置信区间) 查看原表 ↗
图3 29岁男性,肩部外伤后就诊。经DLRecon处理的ZTE序列轴位、矢状位和冠状位重建图像(d、e、f)因去噪和锐化而表现出优于SOC重建的相同图像(a、b、c)的图像质量。本检查未发现骨骼异常 查看原图 ↗

退行性改变

表5提供了退行性疾病和骨折亚组评分结果的完整汇总。与SOC相比,DLRecon对骨赘、软骨下囊肿和软骨下硬化的显示评分显著更高(p < 0.002)。软组织钙化的统计分析无法进行,因其仅见于一次检查。该单一软组织钙化在SOC中评分为良好,在DLRecon中评分为优秀。近期研究表明,与常规MR序列相比,3D ZTE可提高肩袖钙化沉积的识别率[25]。

在几乎所有检查中,DLRecon和SOC的退行性表现一致。在一次检查中,DLRecon评定存在软骨下囊肿,而SOC未评定。各有一例患者在DLRecon和SOC中分别评分为存在软骨下硬化,而对应的另一种重建方法未评定为存在。

关于评估退行性变的总体诊断信心,DLRecon的评分也显著高于SOC(p < 0.001)。

退化改变勾画的评估者间一致性在DLRecon(κ = 0.57–0.73)和SOC(κ = 0.46–0.76)中为中等至高度一致。诊断信心的评估显示DLRecon(κ = 0.63)和SOC(κ = 0.68)具有高度评估者间一致性。

表5 评估标准诊疗(SOC)和深度学习重建(DLRecon)中病变勾画及诊断信心的评分结果分布 查看原表 ↗

创伤后改变

与SOC相比,DLRecon对骨折线和骨折块的勾画显著改善(p ≤ 0.03)(图4)。DLRecon图像中评估这些骨折的诊断信心也被评为显著更高(p = 0.023)。

关于二分类骨折移位评级,两种重建方法之间无统计学显著差异(p = 1.00)(图5)。SOC图像中73%的骨折被评分为移位,而DLRecon图像中为80%。在两名患者中,骨折在DLRecon上可见移位而在SOC上未见移位。相反,一例骨折在SOC上被评分为移位而在DLRecon上为非移位。

骨折线和骨折块勾画的评估者间一致性在DLRecon(κ = 0.69和0.73)和SOC(κ = 0.76和0.63)中均为高度一致(图6)。评估创伤后改变时诊断信心的评估者间一致性在DLRecon中为高度一致(κ = 0.71),在SOC中为中等一致(κ = 0.56)。

图4 39岁男性,有复发性肩关节脱位病史。使用DLRecon处理的矢状面和冠状面ZTE图像(c、d)与SOC重建方法(a、b)相比,显示骨性Bankart病变(箭头)的勾画改善。注意盂唇前上方的额外小骨块(箭头) 查看原图 ↗
图5 43岁女性,面肩肱型肌营养不良症,无外伤史。使用SOC方法重建的冠状面ZTE图像(a)显示肱骨头软骨下骨的硬化改变(箭头)。在经DLRecon处理的同一图像(b)上,硬化的线状特征(箭头)变得更加明显,符合软骨下功能不全骨折 查看原图 ↗
图6 67岁女性,肩关节脱位后就诊。矢状面(上排)和轴面(下排)ZTE图像显示Hill-Sachs病变。与SOC重建(a、c)相比,DLRecon(b、d)改善了凹陷皮质骨折块(箭头)的可视化。因此,可以以更高的诊断确定性评估病变的确切范围 查看原图 ↗

讨论

在这项回顾性研究中,我们定性和定量评估了一种人工智能重建算法(DLRecon)在1.5特斯拉肩关节ZTE MR成像中增强骨评估的功效。除了整体图像质量的改善外,与SOC重建相比,DLRecon可能改善骨的勾画,包括退行性和创伤后改变。自信地评估此类骨性发现的存在和范围在肩关节MRI中可能尤为重要,例如在肩关节不稳和骨关节炎的情况下。DLRecon还可能显著提高评估骨性异常的诊断确定性。这些主观阅片者结果与图像质量的客观定量指标一致,后者提示骨具有更优的CNR和SNR。

我们的研究结果基于一个规模较小的非病变和病变肩关节队列,可能印证了这样一种观点:深度学习重建可为肩关节ZTE序列增加潜在的临床价值。ZTE成像以类CT对比度提供骨性结构的精确描绘,这是传统MR脉冲序列所无法实现的。将ZTE序列纳入标准肩关节MRI方案,将能够通过单次MRI扫描精确评估软组织和骨性结构,作为一种一体化诊断解决方案。这种整体性MRI方案可进一步简化临床工作流程,在某些病例中甚至可能避免额外CT及其辐射负担。这在肩关节不稳患者中尤为有用,此类患者通常需要全面影像学检查以评估软组织稳定结构和骨性支撑,用于诊断或术前规划。在我们包含15例创伤后改变的亚组中,DLRecon使阅片者能够更精确、更有把握地确定这些骨性病变的范围。这些临床相关获益可归因于该算法的去噪和锐化特性,从而提高了皮质骨形态的可见度。

此外,DLRecon还改善了骨小梁的勾勒,尽管未达到与皮质骨相同的水平。由于与CT相比空间分辨率较低,显示精细骨小梁结构仍是ZTE成像的已知不足。然而,骨小梁结构的不连续性可被清晰显示,例如骨折线。未来应可通过使用信号偏倚校正算法进行后处理以优化骨对比度,从而实现深度学习重建ZTE序列中骨显示的进一步改善。

基于AI的重建的一个顾虑是图像保真度受损,即图像细节丢失或新特征幻觉。然而,在退行性和创伤后骨性改变亚组中,临床发现的检出显示两种重建方法之间几乎完全一致。这种较强的重建间一致性从描述性角度表明临床信息得以保留。

据我们所知,这是首项研究深度学习重建在肩关节ZTE成像中临床应用的研究。我们的结果与既往关于DLRecon算法在其他MR技术中的研究一致,那些研究也报道了在2D膝关节和肩关节MRI [17, 24]以及3D MR神经成像 [23]中更优的图像质量和软组织病变评估的增强。对于未来研究,理想的是评估DLRecon在ZTE成像中用于更多解剖区域和更多骨性病变(例如炎症性风湿病中的骨侵蚀)的效能。

研究局限性包括样本量中等,尤其是考虑到各个亚组。其次,骨性异常未以CT作为参考标准进行相关性分析。我们的研究队列纳入了临床实践中的连续患者系列,这些患者未接受同期CT成像。然而,既往已有报道指出ZTE成像与CT在肩部骨评估方面具有较高的跨模态一致性[9, 10]。第三,我们将DLRecon应用于1.5特斯拉的ZTE MRI,而普遍认为肌肉骨骼成像中的大多数MR序列在3特斯拉下可获得更好的结果。尽管如此,1.5特斯拉在肌肉骨骼MRI中仍被广泛使用,并且在追求更短扫描时间和更优图像质量方面尤其可从DLRecon中获益。最后,鉴于DLRecon独特的图像特征,读者的盲法不太可能完全有效。尽管采取了最佳预防措施,这可能对评分引入了偏倚,因为DLRecon带来的图像平滑度变化很可能是显而易见的。本研究选择最高去噪水平100%进一步放大了这一效应,可能给读者造成人为的图像印象。不同去噪水平对读者接受度和信心的影响可作为未来进一步研究的方向。

总之,我们的研究结果表明,DLRecon增强了肩部ZTE MRI中的骨骼显示,从而提高了骨性病变评估的诊断信心。这些结果提示,DLRecon可为肩部MRI中的ZTE序列增添进一步的临床价值。

引用

  1. Ensle F, Kaniewska M, Lohezic M, et al. Enhanced bone assessment of the shoulder using zero-echo time MRI with deep-learning image reconstruction. Skeletal Radiol. 2024. PMID: 38658419. doi:10.1007/s00256-024-04690-8
  2. 全文:PMC11493801(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11493801/

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。