速度与效率:评估人工智能增强的三维梯度回波成像对肺结节的检测
这项前瞻性单中心研究纳入37例患者64个肺结节,比较三种加速因子(CS-AI-7、CS-AI-10、CS-AI-15)的呼吸门控三维梯度回波肺MRI与CT的结节检测和特征。结节检出率分别为100%、98.4%和96.8%,直径偏差均小于1 mm,Lung-RADS分类几乎完全一致。压缩感知联合AI可在保持高检出率的同时大幅缩短扫描时间。
要点
- CS-AI-7、CS-AI-10、CS-AI-15的结节检出率分别为100%、98.4%、96.8%,漏诊结节均为3 mm和4 mm。
- 各加速序列与CT的结节最大径平均偏差均小于1 mm,Lung-RADS分类一致性κ为0.94–0.96。
- 图像质量随加速因子增加而下降,但所有序列各解剖结构均保持诊断质量。
核心结论
- 压缩感知联合AI可显著缩短肺MRI扫描时间,同时维持高结节检出率,结节特征与金标准CT保持可比。
- 作者认为MRI可能成为肺癌筛查的有价值工具,但需进一步研究和验证以确立其实际应用和长期疗效。
研究设计与样本
- 单中心前瞻性研究,纳入2021年12月至2022年12月间37例患者64个肺结节(实性57个、部分实性6个、磨玻璃1个)。
- 采用3 T MR扫描仪行呼吸门控三维梯度回波序列,以平行成像、压缩感知和深度学习图像重建联合加速,加速因子为7、10、15(CS-AI-7、CS-AI-10、CS-AI-15)。
- 以薄层胸部CT(320排CT,管电压120 kV,平均管电流59 mAs,层厚1 mm)为参考标准,由两名放射科医师盲法评估图像质量、结节检测和特征。
关键影像表现/征象
- CS-AI-7标称扫描时间3分53秒,CS-AI-10为2分34秒,CS-AI-15为1分50秒。
- 与CT图像质量相当(评分≥4)的比例:CS-AI-7为81%,CS-AI-10为52%,CS-AI-15为44%。
- 结节形态学评估与CT相当的比例:CS-AI-7为64%,CS-AI-10为40%,CS-AI-15为25%;形态明显差于CT的比例分别为5%、10%、23%。
诊断标准与关键数值
- 图像质量采用5点Likert量表,评分≥4判定为与CT相当,评分≥3定义为可诊断。
- 结节检出率以CT为金标准:CS-AI-7为100%,CS-AI-10为98.4%,CS-AI-15为96.8%。
- 结节最大径与CT的平均偏差:CS-AI-7为−0.56 mm(1.96 SD 3.29 mm;−1.96 SD −4.40 mm),CS-AI-10为−0.70 mm(1.96 SD 3.73 mm;−1.96 SD −5.13 mm),CS-AI-15为−0.68 mm(1.96 SD 3.83 mm;−1.96 SD 5.18 mm)。
- Lung-RADS分类与CT的加权Cohen κ:CS-AI-7为0.96,CS-AI-10为0.95,CS-AI-15为0.94(均p < 0.001)。
- 读者间ICC:CT为0.983(95%CI 0.953–0.994),CS-AI-7为0.985(95%CI 0.965–0.993),CS-AI-10为0.979(95%CI 0.949–0.992),CS-AI-15为0.982(95%CI 0.951–0.994)。
临床应用与阅片要点
- CS-AI-7在全部解剖结构上图像质量显著高于CS-AI-10和CS-AI-15(均p < 0.001)。
- CS-AI-10在2分34秒扫描时间内达到足够检出率,较CS-AI-7缩短34%,作者认为其是合适的加速方案。
- CS-AI-15漏诊两个结节(3 mm和4 mm),CS-AI-10漏诊一个3 mm结节,漏诊结节均来自同一病例。
- Lung-RADS分类在各序列均出现个别变更:CS-AI-7有3例,CS-AI-10有6例,CS-AI-15有4例。
- 随着结节尺寸增大,各序列与CT的形态学可比性提高,>30 mm结节在各序列均达100%。
局限性
- 最重要的局限性是患者数量以及部分实性和磨玻璃结节数量较少。
- 与正常筛查队列相比,病理发现过度代表,可能影响读者表现。
- 分析仅限于最大直径,未纳入体积测量,需在未来研究中分析。
- 尚无与使用CS和AI重建序列的比较研究,需进一步研究。
- 作者指出需进一步研究和验证研究以确立实际应用和长期疗效。
全文中译11 节 · 点击展开
引言
多项研究已证实,通过低剂量计算机断层扫描(CT)筛查可显著降低肺癌相关死亡,这促使许多国家广泛采用已实施或即将实施的全国性筛查计划[1–3]。尽管年度筛查中胸部低剂量CT相关的累积辐射剂量是可接受的,但高假阳性率[3–5]可通过进一步诊断性检查导致个体辐射剂量大幅增加[6],且患者可能被错误地接受侵入性检查。此外,CT相关的潜在有害辐射是患者不愿参与筛查的因素之一[7, 8]。值得注意的是,Allen等人利用一项将MRI作为筛查方法进行研究的干预试验数据表明,磁共振成像(MRI)可能是一种具有成本效益的低剂量CT肺癌筛查替代方案[9]。
在克服技术局限性(例如胸部强烈的运动和搏动伪影)之后,MRI可能非常适合作为肺癌筛查的无辐射替代方案,正如Fleischner学会的一份立场文件所提出的那样[10]。然而,MRI筛查将进一步增加肺癌筛查本已很高的基础设施要求[11]。除技术和经济挑战外,与CT相比,扫描时长是全国性筛查计划中的另一个特殊障碍。具有足够图像质量的更短检查时间对于实现高患者流通量至关重要。压缩感知和人工智能(CS-AI)加速已在多种MR成像领域联合使用。特别是在心脏或肌肉骨骼成像中[12, 13],它通过减少数据采集时间和改善图像重建显示出巨大潜力。
因此,本研究旨在评估具有三种不同加速因子的3D梯度回波序列,并将图像质量和结节检测及表征的诊断性能与金标准CT进行比较。
材料与方法
患者
本研究设计为本机构的单中心前瞻性研究。研究经当地伦理审查委员会批准(方案编号692/21S)。所有参与者均签署书面知情同意书。对2021年12月至2022年12月期间在临床常规中接受胸部CT的患者进行资格评估。患者纳入标准为:(1)胸部CT;(2)存在实性、部分实性或磨玻璃肺结节> 3 mm,无论病因如何;(3)首次CT与可用MRI扫描时段之间的间隔小于七天。患有MR安全指南所排除状况(如心脏起搏器、其他植入式电子设备或妊娠)的个体不被纳入。此外,患有肺实质病变(如浸润、水肿、胸腔积液或肺气肿)的患者被排除在研究之外。最后,在研究期间病因无法明确的患者被排除。
CT图像采集
所有患者均行薄层胸部CT检查,平均管电流为59 mA,采用320排CT扫描仪(IQon—Spectral CT,Philips Healthcare)进行标准CT扫描。管电压为120 kV,平均管电流(59 mAs),准直器64 × 0.625,螺距因子1。图像采用专用肺核(YA)重建,迭代重建级别为6,层厚1 mm。扫描于吸气相进行。
MR图像采集
所有MR图像均在3-T MR扫描仪(Ingenia Elition X;Philips Healthcare)上采集,使用16通道相控阵前线圈和内置12通道相控阵后线圈的组合。MR图像采用三种不同的呼吸门控、加速3D梯度回波序列采集,具有各向同性分辨率。数据采集基于 spoiled gradient echo 序列,使用非选择性射频激发并结合部分傅里叶频率编码,以缩短回波时间和重复时间。图像加速基于笛卡尔平衡可变密度非相干k空间采样模式,k空间中心采样密度高,向k空间周边采样密度持续降低,并结合重建算法,融合并行成像、CS-AI。检查方案包括三种不同加速因子的CS-AI序列:(1)加速因子为7,使用CS-AI重建(CS-AI-7)(重复时间:2.7 ms;回波时间:0.83 ms;翻转角:10°;FOV:320 × 557 × 320 mm3;采集体素大小:1 × 1 × 1 mm3;重建体素大小:0.5 × 0.5 × 0.5 mm3;加速因子7;标称扫描时间233 s),(2)加速因子为10,使用CS-AI重建(CS-AI-10)(重复时间:2.7 ms;回波时间:0.83 ms;翻转角:10°;FOV:320 × 557 × 320 mm3;采集体素大小:1 × 1 × 1 mm3;重建体素大小:0.5 × 0.5 × 0.5 mm3;加速因子10;标称扫描时间164),(3)加速因子为15,使用CS-AI重建(CS-AI-15)(重复时间:2.7 ms;回波时间:0.83 ms;翻转角:10°;FOV:320 × 557 × 320 mm3;采集体素大小:1 × 1 × 1 mm3;重建体素大小:0.5 × 0.5 × 0.5 mm3;加速因子15;标称扫描时间90 s)。
MR图像重建
图像重建基于Pezzotti等人[14]提出的Adaptive-CS-Net架构。Adaptive-CS-Network模拟了Zhang等人[15]提出的迭代收缩阈值算法方法,并以针对特定问题的可学习方式整合了多尺度稀疏化,将基于卷积神经网络的稀疏化变换与压缩感知[16–18]的图像重建方法相结合,从而确保数据一致性并纳入领域特定的先验知识,如线圈灵敏度分布和图像背景位置。Adaptive-CS-Net将基于卷积神经网络的深度学习与压缩感知(CS)和并行成像相结合用于图像重建,并参与了由Facebook AI和纽约大学开展的2019年国际快速MRI挑战赛,在多线圈类别中以4倍和8倍欠采样取得最佳成绩[19]。该制造商对Adaptive-CS-Net进行了进一步开发和调整,纳入了来自1.5 T和3.0 T的超过740,000幅不同对比度和解剖部位的MR图像的训练数据,并使其能够在标准重建硬件上运行,制造商(Philips Healthcare)将其称为SmartSpeed。
图像分析
CS-AI-7、CS-AI-10和CS-AI-15数据集及CT图像以随机顺序进行分析,两次阅片之间间隔4周以防止回忆偏倚。MR图像由两名放射科医师(分别具有9年和10年经验)独立分析,对所有临床和其他信息设盲。图像质量采用有序5点Likert量表评分(1 = 非诊断性图像质量,伴有严重伪影;2 = 严重模糊导致评估不确定;3 = 中度模糊,轻度限制评估;4 = 结构轻度模糊,不限制图像评估;5 = 图像质量优秀,无任何伪影),评估以下标准:部分容积效应、模糊及与相邻结构的区分度。图像质量基于血管树(主肺动脉;段级血管;亚段级血管;外周1/3;胸膜下及胸膜血管)从中心到外周进行分段评估。图像质量评分≥ 4判定为与CT相当,评分≥ 3定义为可诊断。此外,测量每个检出结节的最大直径。最后,对CT和每个MR序列评估Lung-RADS分类。最后,对CT和每个MR序列评估Lung-RADS(v. 2022)分类[20]。在每个病例最后一次阅片后,向评分者提供具有不同加速因子的三种3D梯度回波序列变体及相关CT,使用有序3点Likert量表(1 = 相当,2 = 稍差,3 = 明显差)评估结节形态。
统计分析
统计分析使用R和R-Studio进行。患者和结节特征见表1。以CT作为金标准,计算每个序列的结节检出率。为比较图像质量,每个层面使用Kruskal–Wallis检验进行评估。显著性检验随后进行成对Wilcoxon检验。此外,绘制Bland–Altman图以评估结节最大直径的平均差异和95%置信区间。使用加权(平方)Cohen's kappa计算两位读者在CT与相应MR序列之间对Lung-RADS分类的一致性。结节形态使用三个大小阈值(< 10 mm、10–30 mm、> 30 mm)进行描述性评估。最后,计算每位读者在每个MR序列与CT之间的组内相关系数(ICC)。95%置信区间通过偏差校正的自举法使用1000次重复计算。
结果
参与者和结节特征
在这项前瞻性研究中,评估了37名参与者(平均年龄66岁(范围40–84岁);16名女性)共64个结节。肺结节的病因中,65.5%为转移瘤,12.5%为原发性肺癌,22.0%为良性(炎性或肉芽肿)。所有原发性肺癌的病因均经组织学证实。所有肉芽肿均通过随访和既往检查可靠识别。转移瘤在32例中通过随访和既往检查可靠识别,在10例中经组织学证实。结节分布为实性结节n = 57、部分实性结节n = 6、磨玻璃结节n = 1。结节大小以最大直径测量,实性结节范围为3 mm至107 mm,平均17 mm,中位数12 mm。部分实性结节的大小范围取决于磨玻璃/实性成分,为8 mm/4 mm至28 mm/16 mm。磨玻璃结节的最大直径为20 mm。使用CS和AI降噪的加速3D T1肺部MRI在初始低剂量CT后数天内获得(平均4天,± 2(1–7))。患者特征的详细信息见表1。两个示例病例见图1。
影像分析
对每个切面分别评估图像质量,评分≥4分与CT相当,评分≥3分定义为可诊断。Kruskal–Wallis检验显示,最低加速倍数(CS-AI-7)在所有切面均获得显著更高的图像质量(主肺动脉p < 0.001;段血管p < 0.001;亚段血管p < 0.001;外周1/3肺血管p < 0.001;胸膜及胸膜下血管p < 0.001)。事后检验结果见补充材料S1。CS-AI-7在81%的病例中达到与CT相当的图像质量,CS-AI-10为52%,CS-AI-15为44%(图2)。然而,所有序列对每个解剖结构均达到可诊断质量。最低加速倍数达到100%的检出率,确保无肺结节遗漏。对于CS-AI-10和-15加速倍数,检出率分别为98.4%和96.8%。因此,CS-AI-10序列遗漏1个结节,CS-AI-15序列遗漏2个结节。两位阅片者遗漏的结节相同,且来自同一病例。CS-AI-10和-15序列遗漏的结节大小均为3 mm,CS-AI-15还额外遗漏1个4 mm结节。该特定病例的图像质量评分CS-AI-10为3分,CS-AI-15为3分。
在所有加速倍数和CT上测量最大结节直径。对两位阅片者均检验ICC。ICC显示盲法阅片者间一致性极好(ICC-CT:0.983,CI95:0.953,0.994;ICC-CS-AI-7:0.985,CI95:0.965,0.993;ICC-CS-AI-10:0.979,CI95:0.949,0.992;ICC-CS-AI-15:0.982,CI95:0.951,0.994)。CS-AI-7的平均最大结节直径与CT的偏差为− 0.56 mm(1.96 SD 3.29 mm;− 1.96 SD − 4.40 mm)。对于CS-AI-10和-15,偏差仅略高,分别为− 0.70 mm(1.96 SD 3.73 mm;− 1.96 SD − 5.13 mm)和− 0.68 mm(1.96 SD 3.83 mm;− 1.96 SD 5.18 mm),因此平均小于1 mm(图3)。
对于两位阅片者,所有加速倍数的Lung-RADS分类一致性几乎完美(CS-AI-7 = 0.96;CS-AI-10 = 0.95;CS-AI-15 = 0.94;均p < 0.001)。取决于加速倍数,CS-AI-7有3例Lung-RADS建议发生变化(2例上调2 ≥ 3;3 ≥ 4a,1例下调4X ≥ 4a),CS-AI-10有6例(3例上调2 ≥ 3;− 3 > 4a;4a ≥ 4b,2例下调4a ≥ 3;4X ≥ 4a),CS-AI-15有4例(1例上调4a ≥ 4X,3例下调4a ≥ 3;4X ≥ 4a;4X ≥ 4a)。MR序列和CT的各例Lung-RADS分类见表2。
根据3点Likert量表,针对三个大小阈值(< 10 mm、10–30 mm、> 30 mm)评估结节形态。与图像质量相似,最低加速因子平均显示出最佳质量,在64%时与CT相当,在31%时仅略差。对于CS-AI-10和15,形态学可比的结节百分比分别降至40%和25%,分别有50%和52%的病例报告为略差。形态学评估显著较差的比例仅为CS-AI-7的5%、CS-AI-10的10%和CS-AI-15的23%。使用大小分组,随着结节尺寸增大,序列与CT的可比性更高。因此,与CS-AI-7的形态学可比或略差的比例从< 10 mm结节的90.8%增至> 30 mm结节的100%。CS-AI-10和− 15的增幅更为明显,分别从< 10 mm结节的79.5%和68.5%增至> 30 mm结节的100%。按大小评估形态学的结果见图4。
讨论
在我们的工作中,我们利用采用CS和深度学习图像重建的3D梯度回波序列及不同加速因子,证明了肺部MRI对肺结节检测的诊断稳健性。尽管图像质量和结节形态学质量随着扫描加速增加而下降(Likert量表≥ 3),但所有评估结构仍保持诊断质量,即使对于最高加速因子(CS-AI-15)也是如此。此外,尽管加速增加,仍实现了持续高检出率(CS-AI-7 100%;CS-AI-10 98.4%;CS-AI 15–96.8%),且所有加速因子与作为金标准的CT的直径偏差均小于1 mm。
近年来,CS在许多领域缩短了扫描时间而未损害图像质量。在肺部成像中,很少有研究探讨缩短扫描时间的方法[21],部分原因是尚无既定的序列标准。据我们所知,我们的工作是首个研究不同加速因子对梯度回波序列检测肺结节影响的研究。研究发现,与CT相比,随着加速增加,图像质量和结节形态学质量较低,但即使在最高加速下,所有评估结构仍保持诊断质量。这与既往研究相反,后者即使在高加速因子下也未显示图像质量下降[22],这可归因于上述研究中仅与压缩感知加速图像进行比较。然而,我们工作的目标是在最大程度缩短扫描时间与足够图像质量之间实现平衡,以便潜在应用于肺癌筛查。
对于结节检测,使用T2加权半傅里叶单次激发涡轮自旋回波[23, 24]、屏气三维梯度回波(GRE)[25]以及非笛卡尔采集序列如超短回波时间(UTE)成像[26]和径向GRE[27]已获得了有前景的结果。在我们的工作中,所有加速因子均达到了有前景的检出率。最低加速CS-AI-7达到100%,最快加速CS-AI-15降至96.9%。应强调的是,仅CS-AI-10中1个结节和CS-AI-15中2个结节被漏检,大小分别为3 mm和4 mm。这使得大于6 mm结节的检出率达到100%。因此,我们工作中的检出率显著高于Yu等描述的64%,并与其工作中分析的径向GRE相当[27]。应强调的是,在我们的工作中采集是在自由呼吸下进行的,而非单次屏气,这可能减少了屏气采集的强烈运动伪影。对于肺癌筛查的潜在应用,对所有MR序列和CT评估了Lung-RADS分类。发现MR序列与CT之间几乎完全一致。最值得注意的是,所有序列均显示4X结节的个别降级,这表明形态学细节不足。根据Lung-RADS,6 mm以下的实性或部分实性结节被可靠地归类为良性(Lung-RADS 2),不会导致筛查流程的改变。这也适用于年度随访检查中出现的小于4 mm的结节。因此,CS-AI-10将是一个合适的加速方案,以2:34分钟的扫描时间达到足够的检出率,与CS-AI-7相比减少了34%。
尽管结果有前景,我们的工作仍有若干局限性。虽然本研究的队列规模就其前瞻性特征和精细的扫描方案而言是可观的,但最重要的局限性仍然是患者数量以及部分实性和磨玻璃结节数量较少。然而,我们队列中的部分实性结节在所有序列中均被检出。与正常筛查队列相比,病理发现被过度代表,这可能影响了阅片者表现。根据Lung-RADS建议,我们的分析仅限于最大直径;被认为更具可重复性的体积测量将前瞻性地对未来肺结节评估产生影响[28];然而,它们未纳入我们的工作,需要在未来研究中进行分析。既往研究表明,UTE等非笛卡尔采集序列的开发带来了有前景的结果。然而,尚无与使用CS和AI重建序列的比较研究,这需要进一步研究。
总体而言,压缩感知扫描与人工智能的结合能够显著缩短肺部磁共振成像(MRI)的扫描时间,同时保持较高的肺结节检出率。除单纯检出率外,结节特征与金标准CT相当,设定了一个介于临床可行扫描时间与高诊断质量之间的理想中间加速因子。尽管我们的结果提示MRI可能成为肺癌筛查中的有价值工具,但仍需进一步研究和验证性研究以确立其实际应用和长期疗效。
补充信息
电子补充材料
引用
- Ziegelmayer S, Marka AW, Strenzke M, et al. Speed and efficiency: evaluating pulmonary nodule detection with AI-enhanced 3D gradient echo imaging. Eur Radiol. 2024. PMID: 39154315. doi:10.1007/s00330-024-11027-5
- 全文:PMC11914225(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11914225/
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。