文献速递神经儿科影像MR

评估人工智能图像重建技术在儿童脑T2W FLAIR磁共振图像质量中的应用

Evaluation of T2W FLAIR MR image quality using artificial intelligence image reconstruction techniques in the pediatric brain.
PubMed 文献 · Pediatr Radiol · 2024-06-18

这项前瞻性单中心研究纳入50例儿童脑MRI,比较AI重建(强去噪)与标准重建的T2W FLAIR图像。两名神经放射科医师独立评分显示AI重建在99%的评估中整体图像质量更好,定量灰质aSNR、白质aSNR及灰白质aCNR均显著高于标准重建(p<0.001)。作者认为在儿童常规神经影像中使用AI重建是安全可行的。

要点

  • AI重建在99%的评估中整体图像质量优于标准重建(读者1 49/50,读者2 50/50)。
  • AI重建的灰质aSNR 30.6±6.5、白质aSNR 21.4±5.6、灰白质aCNR 7.1±1.6,均显著高于标准重建(p<0.001)。
  • 42%(21/50)患者的标准图像上观察到的病变或正常变异在AI图像上全部重现,未发现额外异常。

核心结论

  • AI重建在大多数儿童患者中改善了T2W FLAIR的整体图像质量和信噪比(定量与定性),与标准重建相比未增加扫描时间。
  • 作者认为在儿童常规神经影像临床实践中使用AI重建是安全可行的。

研究设计与样本

  • 前瞻性、机构审查委员会批准的单中心研究,纳入50例接受常规非增强脑MRI的儿童患者(中位年龄12岁,Q1=10岁,Q3=14岁),招募时间为2022年7月至2023年1月。
  • 排除标准包括年龄小于2岁、需全身麻醉或镇静下成像、有神经外科手术史和/或存在颅内植入物。
  • 所有成像在单台1.5-T MR扫描仪(Ingenia;Philips Healthcare;Best,荷兰)上完成,使用体线圈发射和15通道接收头线圈。
  • 临床2D T2W FLAIR参数为TR=11,000 ms、TI=2,800 ms、TE=140 ms、采集平面分辨率0.79 mm×0.78 mm、4-mm连续交错层厚、压缩SENSE加速因子=1.6。
  • 图像分别用标准CS(中等去噪)重建和AI「强」去噪算法(SmartSpeed;Philips Healthcare,Best,荷兰)重建,后者选自厂商提供的4级量表(弱、中、强、最大)。

关键影像表现/征象

  • 图1显示8岁女性反复夜间呕吐,AI图像较标准图像噪声降低,右侧额叶白质T2W FLAIR高信号灶(箭头)在AI重建上清晰重现,透明隔腔正常变异也准确重现。
  • 图2显示14岁女性新发头痛和头晕,AI重建显示全局噪声降低,右侧丘脑模糊信号异常(箭头)疑似浸润性肿瘤,在AI重建上重现。
  • 图3显示8岁男性结节性硬化症,AI重建显示右侧顶颞交界处发育不良病变累及皮层下和跨 mantle 白质(实白箭头),双侧脑室旁白质额外较小T2W FLAIR高信号灶(虚线箭头)也准确重现。
  • 图4显示11岁男性,在右侧额叶白质和右侧壳核放置圆形ROI进行信号分析,分别于标准重建(a)和AI重建(b)图像上。

诊断标准与关键数值

  • AI重建在99%(读者1 49/50;读者2 50/50)的评估中整体图像质量优于标准重建。
  • AI重建在99%(读者1 49/50;读者2 50/50)的评估中主观SNR优于标准重建。
  • AI重建在98%(读者1 49/50;读者2 49/50)的评估中诊断偏好优于标准重建。
  • 定量分析显示AI重建的灰质aSNR 30.6±6.5、白质aSNR 21.4±5.6、灰白质aCNR 7.1±1.6,分别显著高于标准重建的18±2.7、14.2±2.8、4.4±0.8(p<0.001)。
  • AI重建图像在98%(读者1 50/50;读者2 48/50)的病例中具有优或足够的图像质量,在98%(读者1 50/50;读者2 48/50)的病例中具有优或足够的诊断信心。

临床应用与阅片要点

  • AI重建在大多数儿童患者中改善了T2W FLAIR图像质量且未增加扫描时间,作者认为其在儿童常规神经影像临床实践中使用是安全可行的。
  • 标准重建图像上42%(21/50)患者观察到的病变或正常变异在AI图像上全部重现,未发现额外异常。
  • 脑脊液搏动和磁敏感伪影在100%(读者1和2,50/50)患者中标准与AI重建相同,运动伪影在98%(读者1 49/50;读者2 49/50)患者中相同。
  • 在AI图像质量评为差(n=1)或某些图像参数更差(n=2)的少数病例中,这些检查受到运动伪影影响。
  • 作者指出未来研究可详细评估脑回-脑沟模式和血管解剖,以进一步评估AI重建的再现性。

局限性

  • 放射科医师在比较图像时对正在观察的序列不盲,可能引入偏倚,尽管鉴于研究放射科医师对临床方案的了解和经验难以真正避免。
  • 单扫描仪、单机构性质限制了结果对其他场强、MRI厂商和机构的普适性。
  • 未评估各种病变(如胶质增生)或正常变异(包括终末髓鞘化区)外观差异的详细评估。
  • 未纳入因癫痫评估的患者,本机构该方案采用3D FLAIR成像。
  • 除 enrolled 的结节性硬化症患者(图3)外,其他 enrolled 患者均无局灶性皮质发育不良证据,AI重建在该特定病变中的诊断效用可能是未来潜在研究方向。
全文中译6 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:Pediatr Radiol. 2024 Jun 18;54(8):1337–43. doi: 10.1007/s00247-024-05968-8

引言

人工智能(AI)方法通过将基于深度学习的重建方案应用于完全采样或欠采样的k空间数据,从而改善磁共振(MR)图像质量,在同等或缩短的采集时间内实现图像质量的提升或保持[1]。然而,其在临床实践中的应用,特别是用于儿童脑部磁共振成像(MRI),尚待充分探索。由于这些算法大多甚至完全基于成人数据集进行训练,因此需要进行此类评估[2]。本研究的目的是评估一种经美国食品药品监督管理局批准的AI MR图像重建算法在儿童脑部液体衰减反转恢复(FLAIR)成像中的图像质量和诊断信心,以探讨其在儿科人群中的潜在临床用途。

材料与方法

这项前瞻性、经机构审查委员会(IRB)批准的单中心研究纳入了2022年7月至2023年1月期间接受常规非增强临床脑部MRI检查的50例儿科患者。排除标准包括年龄小于2岁、需要在全身麻醉或镇静下进行成像、有神经外科手术史和/或存在颅内植入物。所有参与者均获得了知情同意,并在适当情况下获得了知情赞同。

所有成像均在单台1.5特斯拉MR扫描仪(Ingenia;Philips Healthcare;荷兰贝斯特)上使用体线圈发射和15通道仅接收头线圈完成。我们临床成像方案中的临床二维T2加权(T2W)FLAIR(重复时间(TR)=11,000 ms,反转时间(TI)=2,800 ms,回波时间(TE)=140 ms,采集平面内分辨率=0.79 mm×0.78 mm,4 mm连续交错层厚;压缩SENSE(CS)加速因子=1.6)图像分别采用标准CS(中等去噪)图像重建和AI“强”去噪(从厂商提供的4级量表中选择:弱、中、强和最大)算法(SmartSpeed;Philips Healthcare,荷兰贝斯特)进行重建。所有T2W FLAIR图像(图1、图2和图3)由两名研究神经放射学家在专用研究图像归档和通信系统(PACS)中独立审阅,两人均具有神经放射学附加资质,其中一人还具有儿科放射学附加资质。所使用的研究PACS系统(Merge Healthcare,版本8.1.6.7)允许放射学家在审阅过程中对患者信息和临床数据设盲;然而,在并排审阅时放射学家对图像重建方法并未设盲。AI图像采用3级量表(差、可接受、优秀)评估整体图像质量、信噪比(SNR)的主观评估、各种伪影和诊断偏好。每个序列还采用3级量表评分,以表明与标准重建相比,AI是提高了、降低了还是对图像质量无影响。此外还评估并比较了AI与标准重建图像之间的其他成像特征,包括脑脊液伪影、运动伪影、磁敏感伪影、灰白质分化、图像锐利度、流空效应显示和颅外结构评估(补充材料1)。同时还对病变、正常变异或两者均不存在的情况进行了评论。

使用Philips IntelliSpace Portal(版本10.1,Philips Healthcare)进行定量分析。由一名神经放射科医师在右侧壳核和右侧额叶白质手动放置感兴趣区(ROI),并使用每个ROI内信号的平均值和标准差计算表观信噪比(aSNR)灰质、aSNR白质以及表观灰白质对比噪声比(aCNR)(图4)。aSNR使用以下公式计算:aSNR组织=μ组织/σ组织。aCNR使用以下公式计算:aCNR白质–灰质=|(μ白质−μ灰质)/√σ白质2+σ灰质2|(μ,信号强度;σ,标准差)[3]。

使用Excel(2021,Microsoft)电子表格数学函数进行统计分析,包括平均值、标准差、数值计数和t检验结果。P值小于0.05被认为具有统计学意义。对独立审阅进行了描述性统计分析。由于各评分之间观察不平衡,我们未使用kappa系数。

图1 a-b 轴位T2W FLAIR CS=1.6脑MR图像,8岁女性,表现为半夜反复呕吐发作,分别为无(a)和有(b)AI图像重建(SmartSpeed;Philips Healthcare)。与标准图像重建相比,AI图像显示图像噪声降低。右侧额叶白质还可见一处T2W FLAIR高信号灶(箭头),临床意义存疑,但在AI重建图像上清晰再现。另注意到透明隔腔,为正常解剖变异,also accurately reproduced 查看原图 ↗
图2 a-b 轴位FLAIR CS=1.6脑MR,14岁女性,表现为新发头痛和头晕,分别为无(a)和有(b)AI图像重建,显示整体图像噪声降低,右侧丘脑边界不清的信号异常(箭头),可疑浸润性肿瘤,在AI重建图像上再现 查看原图 ↗
图3 a-b 轴位T2W FLAIR CS=1.6脑MR,8岁男性,已知诊断为结节性硬化症,标准(a)和AI(b)重建显示右侧顶颞交界区发育不良性病灶,累及皮质下和经套膜白质(实线白箭头)。双侧脑室周围白质另见较小T2W FLAIR高信号灶(虚线箭头),在AI重建图像上also accurately reproduced 查看原图 ↗
图4 a-b 轴位T2W FLAIR脑MR图像,11岁男性,显示在标准重建(a)和AI重建(b)图像中,为进行信号分析而在右侧额叶白质和右侧壳核放置的圆形ROI 查看原图 ↗

结果

两位研究神经放射科医生审阅了全部50例患者的图像以评估一致性。患者人口统计学资料总结于表1。采用人工智能(AI)的T2W FLAIR在98%(阅片者1,50/50;阅片者2,48/50)的病例中具有优异或足够的图像质量,在98%(阅片者1,50/50;阅片者2,48/50)的病例中具有优异或足够的诊断信心。这些及其他发现总结于图5。与非AI相比,99%(阅片者1,49/50;阅片者2,50/50)的提交评估报告称AI整体图像质量更好,主观信噪比(SNR)改善。99%(阅片者1,49/50;阅片者2,49/50)的提交评估报告称与非AI相比AI具有更好的诊断偏好。在比较标准重建与AI重建时,与脑脊液(CSF)搏动和磁敏感相关的伪影程度在100%(阅片者1和2,50/50)的患者中相同。运动伪影在98%(阅片者1,49/50;阅片者2,49/50)的患者中相同。这些及其他发现总结于表1。

信号强度的定量分析显示,AI重建在白质(21.4±5.6)和灰质(30.6±6.5)中的aSNR均显著高于标准重建(分别为14.2±2.8、18±2.7,p<0.001)。AI重建的灰白质aCNR(7.1±1.6)也显著高于标准重建(4.4±0.8,p<0.001)。数值列于表1。

主要研究者在42%(21/50)的患者的标准重建图像中观察到病变或正常变异,并在AI图像中所有病例均得以重现;其余58%(29/50)的检查被判定为正常,随后将研究判读与正式临床报告进行比较,以排除遗漏临床相关病变的可能性。所识别的病变包括推测的胶质增生灶(n=6)、Chiari I型(n=2)、轻度脑室扩大(n=1)、蛛网膜囊肿(n=1)、长头畸形(n=1)、囊性脑软化(n=1)、结节性硬化(n=1)和右侧丘脑肿块(n=1)。正常变异包括大枕大池(n=2)、小脑发育性静脉异常(n=1)、血管周围间隙扩大(n=1)以及不符合Chiari I型标准的小脑异位(n=1)。两位放射科医生均未在AI图像上发现额外异常。

表1 患者人口统计学资料 查看原表 ↗
图5 神经放射科医生对T2W FLAIR AI强图像质量的评估数据 查看原图 ↗
表2 总结的发现 查看原表 ↗
表3 标准重建与AI重建数值 查看原表 ↗

讨论

在本研究中,我们观察到AI MR图像重建在大多数患者的临床脑T2W FLAIR图像中改善了整体图像质量。这在不增加扫描时间的情况下实现,且在本研究样本中未察觉到诊断质量或信息的损失,也未发现额外异常。与标准重建相比,AI重建图像在SNR的定性和定量评估方面均有改善。虽然两位审阅者对所检查的任何研究的AI重建图像均未察觉到灰白质分化或图像锐度的损失,但关于AI是否改善了该队列中的这些图像参数,未达成强烈共识(分别为36%(18/50)和54%(27/50))。

使用人工智能重建算法处理高度欠采样的k空间数据已被描述为一种潜在方法,可在不影响膝关节质子密度成像、髋关节和肩关节二维快速自旋回波(FSE)以及腰椎MRI三维T2涡轮自旋回波(TSE)图像质量的情况下缩短图像采集时间[3–6]。人工智能重建算法在头颈部及胰腺弥散加权成像(DWI)和前列腺T2-TSE中改善图像质量也有报道[7–9]。基于人工智能的去噪重建在成人脑部的应用亦有描述[10, 11]。更近期的文献描述了人工智能重建算法在儿童脑部的应用,报道了使用合成MRI缩短扫描时间以及T2加权图像上成像质量的改善[12, 13]。我们的研究通过补充人工智能重建算法应用于儿童脑部T2W FLAIR的数据,对现有文献有所贡献。

应用人工智能重建算法的挑战之一是“幻觉”的存在,即模型生成训练数据中并不存在的错误数据[14]。我们试图通过专门检查人工智能重建图像上病变和正常变异的可重复性,以及评估人工智能重建图像上是否存在额外病变来应对这一问题。虽然我们未在人工智能重建图像上记录到任何遗漏或“幻觉”的病变,但未来研究中在该领域开展更细致的工作,例如详细评估脑回-脑沟模式和血管解剖,可能具有价值[10]。在少数几例中,与标准重建相比,人工智能重建图像质量被认为较差(n=1)或某些图像参数上图像质量更差(n=2),这些检查均受到运动伪影的影响。纵观我们的整个队列,人工智能重建图像在几乎所有受检患者中似乎并未减少运动伪影。另一项检查脑部人工智能重建T2加权图像的研究报告了类似结果[13]。

我们的研究存在一些局限性。在比较图像时,放射科医师无法对正在观看的序列设盲,这可能引入偏倚,尽管鉴于研究放射科医师对临床方案的了解和经验,这确实难以完全避免。此外,本研究的单扫描仪、单机构性质限制了结果对其他场强、MRI供应商和机构的普适性。另外,未评估各种病理表现差异的详细情况,如胶质增生或正常变异(包括终末髓鞘化区)。我们选择不纳入因癫痫进行评估的患者,该方案在我们机构采用三维FLAIR成像。除纳入的结节性硬化症患者(图3)外,其他纳入患者均无局灶性皮质发育不良的证据;然而,AI重建在这一特定病理中的诊断效用可能是未来研究的潜在方向。最后,选择仅使用供应商提供的4分制中的“强”去噪算法的决定,是因为在研究前对序列可行性的评估中,“强”去噪与标准重建相比在T2W FLAIR图像质量上呈现出明显可见的差异,而在较低去噪水平下较难察觉,且“最大”算法的整体表现偏离常规临床T2W FLAIR成像预期过远(显得“人工”)。我们承认,未来研究中对各种去噪水平进行更详细的检查可能会提供有价值的信息。

AI在加速压缩感知中的应用显示出在保持成像质量的同时缩短扫描时间的潜力[10, 15]。脑部MRI是我们科室最常进行的MRI检查,能够在保持图像质量的同时缩短扫描时间的方法,未来将在提高工作流程效率、患者周转量、预约可及性以及最终患者满意度方面具有重要价值。虽然本研究未探索通过增加压缩感知利用AI重建来缩短临床T2W FLAIR成像扫描时间的能力,但当前研究结果令人鼓舞,并支持使用AI图像重建技术在不增加扫描采集时间的情况下提高临床儿童脑部MR图像质量。

结论

与标准重建相比,AI重建在大多数儿童脑部患者中改善了T2W FLAIR的整体成像质量和信噪比(SNR)(包括定量和定性)。基于我们的观察,我们认为其在常规儿童神经影像临床实践中的使用是安全可行的。

电子补充材料

以下是电子补充材料的链接。

补充材料1

引用

  1. Nagaraj UD, Dillman JR, Tkach JA, et al. Evaluation of T2W FLAIR MR image quality using artificial intelligence image reconstruction techniques in the pediatric brain. Pediatr Radiol. 2024. PMID: 38890153. doi:10.1007/s00247-024-05968-8
  2. 全文:PMC11254965(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11254965/

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。