文献速递骨肌神经MR

基于T2w FSE与低分辨率轴位Dixon生成合成高分辨率脊柱STIR与T1w图像

Generating synthetic high-resolution spinal STIR and T1w images from T2w FSE and low-resolution axial Dixon.
PubMed 文献 · Eur Radiol · 2024-09-04

本研究利用两个3D Pix2Pix深度学习模型,从矢状位T2w FSE和轴位T1w-Dixon序列生成矢状位T1w FSE和STIR图像,使用SHIP、NAKO及内部数据集进行训练与测试。结果显示生成图像质量较高,放射科医师难以区分真实与合成图像(误分类率T1w FSE为0.39 ± 0.09,STIR为0.42 ± 0.18),提示轴位T1w-Dixon和矢状位T2w FSE包含足够信息生成T1w FSE和STIR。

要点

  • 仅凭矢状位T2w图像不足以区分脂肪和水,无法生成T1w图像。
  • 联合轴位T1w-Dixon与T2w序列可生成逼真的矢状位T1w FSE和STIR图像。
  • 该方法可回顾性为大型队列研究补充缺失序列,节省MRI扫描时间。

核心结论

  • 轴位T1w-Dixon和矢状位T2w FSE图像包含足够信息生成矢状位T1w FSE和STIR图像。
  • 生成图像与真实图像难以区分,放射科医师误分类率T1w FSE为0.39 ± 0.09,STIR为0.42 ± 0.18。
  • 该方法可为大型数据集回顾性添加T1w FSE和STIR序列,节省MRI时间并支持回顾性分析如评估骨髓病变。

研究设计与样本

  • 回顾性研究,使用三个数据集:SHIP(3142名受试者,1.5T)、NAKO(2000名受试者,3T)和内部数据集(157名患者,1.5/3T)。
  • 采用两个连续应用的3D Pix2Pix深度学习模型:网络1从矢状位T2w FSE和轴位T1w-Dixon生成矢状位T1w FSE;网络2从矢状位T1w FSE和T2w FSE生成矢状位STIR。
  • 图像质量评估采用峰值信噪比(PSNR)和结构相似性指数(SSIM),并行消融实验。
  • Turing测试由七名放射科医师对240幅图像(真实或生成)进行判别,计算误分类率和Fleiss kappa一致性。

关键影像表现/征象

  • 生成图像中脊柱结构几乎与真实图像相同,软组织有轻微移动。
  • 脂肪性病变如血管瘤和Modic 2在T1w和T2w FSE上均呈高信号;含水病变如Modic 1和Tarlov囊肿在T1w FSE上呈低信号、在STIR上呈高信号。
  • 训练中未见过的病变如放疗后脂肪骨髓转化,模型也能正确转换组织信号。
  • SHIP数据集仅包含陈旧骨折,因此图像缺乏STIR上新发骨折典型的亮信号。

诊断标准与关键数值

  • T1w FSE生成:使用T2w FSE+轴位T1w-Dixon输入时PSNR=26.942、SSIM=0.965;仅用T2w输入时PSNR=23.076、SSIM=0.952。
  • STIR生成:使用T1w FSE+T2w FSE输入时PSNR=28.86、SSIM=0.948;仅用T2w输入时PSNR=24.677、SSIM=0.928。
  • Turing测试误分类率:T1w FSE为0.39 ± 0.09,STIR为0.42 ± 0.18。
  • Fleiss kappa一致性:T1w FSE为0.09(99%CI −0.04至0.19),STIR为0.09(99%CI −0.10至0.13),低于0.2视为一致性差。
  • 所提方法与其它方法比较的Wilcoxon符号秩检验所有P值<0.01。

临床应用与阅片要点

  • 可利用轴位T1w-Dixon和矢状位T2w FSE序列回顾性生成矢状位T1w FSE和STIR图像,用于大型队列研究补充缺失序列。
  • 生成图像中脂肪和水信号转换正确,可用于评估骨髓病变如Modic改变和血管瘤。
  • 需注意真实与生成图像间软组织可能因呼吸、消化过程等发生移动,导致局部差异。
  • STIR图像对不同水化程度的椎间盘显示比T2w FSE更清晰。

局限性

  • 由于时间限制,T1w-Dixon和STIR通常不在同一次检查中采集,因此缺乏同时包含T2w、T1w-Dixon和STIR的数据对来端到端测试两个网络,仅能以非配对方式(如Turing测试)展示。
  • 两个训练网络的分辨率和MRI设备不同,为达到最佳性能应在相同设备、相同矢状位分辨率下生成。
  • 目前无法补偿患者运动。
  • 训练数据来自人群队列而非患者数据,病理密度较低;NAKO测试集手动筛选了病变,存在选择偏倚,多为年龄相关非急性病例。
全文中译12 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. 2024 Sep 4;35(4):1761–71. doi: 10.1007/s00330-024-11047-1

引言

磁共振(MR)成像在诊断过程中起着至关重要的作用。MRI的一个主要优势是能够采集不同的成像对比度,从而对各种病变进行多方面的诊断评估。脊柱最常用的两个序列是T1加权(T1w FSE)和T2加权快速自旋回波(T2w FSE)。已开发出多种技术在MR扫描中抑制脂肪或水信号,生成突出特定组织特征的多幅图像[1, 2]。MR采集本身耗时较长,通常需要采集层间分辨率较低的2D图像以减少扫描时间并最大限度地降低受试者运动的风险,因为运动可能影响图像采集质量。通常需要采集两到四个包含不同采集技术和方向的序列,但所需图像的最佳组合可能因诊断背景而异。

人工智能正在成为放射学领域一种有前景的工具。许多深度学习方法依赖于特定的采集技术和层面轴向。条件生成网络可以生成缺失的序列[3–9],已有研究表明,利用匹配的MR序列可以提取脂肪抑制图像[1, 2, 10–14],但尚未用于T1w FSE序列。对于大规模研究,如德国国家队列(NAKO)[15]、“波美拉尼亚健康研究”(SHIP)[16, 17]或英国生物样本库[18],重新扫描受试者以获取缺失序列是不可能的。这些研究通常采用轴位T1加权梯度回波Dixon技术(T1w-Dixon;也称为容积内插屏气检查),因为其具有多功能性。然而,其有限的矢状面分辨率使其不适合评估许多脊柱疾病。只有SHIP具有T1w FSE图像,而短tau反转恢复(STIR)图像在所有大型研究中均缺失。NAKO和SHIP具有矢状面T2w FSE图像,且T1w-Dixon图像包含从脂肪中解码水所需的必要信息[19, 20]。利用这两组数据对,我们旨在生成常用的矢状面类T1w FSE图像,这将大大提高这些大型流行病学研究中图像的可用性。我们的技术还可通过无需额外扫描来减少扫描时间。

区分矢状面T2w FSE图像中由脂肪和水引起的高信号至关重要,例如,这可以区分慢性退行性过程与活动性炎症过程[21–23]。STIR专门用于突出水含量,提高诊断灵敏度[24–27],并降低无意中遗漏水相关高信号的风险。结合T1w和T2w FSE图像可以区分脂肪和水,因为水在T1w FSE图像中呈暗信号,而脂肪相对于周围组织仍呈较高信号。本研究的目标是评估采集矢状面T2w FSE和轴位T1w-Dixon序列是否能提供足够的信息,以生成与T2w FSE相同分辨率的矢状面T1w FSE和矢状面STIR图像。

材料与方法

当地伦理委员会在现行法律框架内批准了我们这项针对回顾性临床内部数据分析的研究。内部数据收集的知情同意被豁免。德国国家队列[15](NAKO)和“波美拉尼亚健康研究”[16, 17](SHIP)研究的所有参与者均签署了前瞻性数据收集与评估的知情同意书。

虽然轴位T1加权梯度回波Dixon技术(T1w-Dixon)包含脂肪和水含量的信息[19, 20],但其分辨率可能不足以在矢状位视图上准确评估水含量。因此,为了利用类似于矢状位T1加权快速自旋回波(T1w FSE)的轴位T1w-Dixon,需要对该数据进行超分辨率处理。我们将这些数据向上缩放并转换为已经熟悉的T1w FSE和短tau反转恢复(STIR)模态。我们使用矢状位T2加权(T2w)FSE图像来引导超分辨率过程,确保网络利用T2w FSE图像中已有的矢状位信息,而不是外推结构。因此,本研究使用矢状位T2w FSE和轴位T1w-Dixon图像创建了矢状位STIR和T1w FSE容积图像。我们采用了两个独立的神经网络。第一个网络从矢状位T2w FSE和轴位T1w-Dixon图像生成矢状位T1w FSE图像,在SHIP数据集上训练,该数据集包含3165名受试者(1529名男性,年龄53 ± 14岁(均值 ± 标准差);1634名女性,年龄53 ± 13岁,另有两名其他性别),使用1.5特斯拉MRI设备采集。矢状位FSE序列覆盖整个脊柱,而T1w-Dixon图像的视野仅从胸部中心延伸至骶骨。

第二个网络将矢状位T1w FSE和T2w FSE图像转换为矢状位STIR图像,基于以下发现:这些输入包含足够的生物学信息用于STIR图像重建,如既往研究所示[2, 10–14]。我们的内部数据集包含来自157名受试者(43名男性,年龄54 ± 20岁;45名女性,年龄59 ± 16岁;67名来自既往研究的完全匿名患者,年龄和性别不可用)的311个匹配序列,涵盖整个脊柱,具有各种异常和病理。内部数据在1.5或3特斯拉MRI设备上采集。

此外,NAKO提供了来自30,927名受试者(17,311名男性,年龄48 ± 12岁;13,616名女性,年龄49 ± 12岁)在3特斯拉MRI设备上采集的轴位T1w-Dixon和矢状位T2w FSE图像。为证明我们技术的适用性,我们使用了NAKO数据集的一个子集,特别选择年龄大于60岁且在T2w图像中至少有一个可观察到的局灶性信号增高的患者。选择这些标准是为了避免大量正常图像可能掩盖图灵测试中我们的方法在识别脂肪和水积聚方面性能的评估。选择年龄阈值是为了加快筛选过程。我们的数据流程概览见图1。

图1 数据集。我们使用“波美拉尼亚健康研究”用于训练从T1w-Dixon和T2w FSE图像生成T1w图像。内部数据集用于从T1w和T2w FSE图像生成STIR图像。在推理阶段,我们使用来自德国国家队列的图像,其中我们在T2w FSE图像中发现了脂肪或水的异常信号增高。数据集下方展示了数据流程可视化,其中虚线框表示由深度学习网络生成的图像。STIR,矢状位短tau反转恢复序列;T1w-Dixon,轴位T1加权梯度回波Dixon技术;T1w,矢状位T1加权图像;T2w,矢状位T2加权图像;FSE,快速自旋回波图像 查看原图 ↗

图像预处理

我们将T2w FSE图像重新定向并重新缩放至标准化分辨率和方向(右、下、后)。我们采用来自矢状位SHIP图像的矢状面内分辨率1.1 × 1.1 mm。我们保持右/左维度约3–4 mm的原始分辨率。数据沿垂直方向保存为多个数据块,这些数据块在T1w-Dixon与其他图像模态的分割之间不匹配。当前可免费获取的软件假设矢状位图像位于同一垂直z轴上[7],但这对于脊柱侧弯病例并不成立,因为数据块沿脊柱形状分布。为解决此问题,我们开发了软件来计算涵盖所有这些数据块的最佳边界框并将它们拼接在一起。1数据块已在全局空间中正确编码。我们通过插值处理重叠区域,其中图像i的无需插值的下一体素距离记为。这确保了两幅图像之间的平滑过渡。与T2w FSE图像相比,T1w-Dixon图像偏移了几个体素。使用nipy插件应用互相关刚性配准以减少偏移[28]。由于呼吸、器官和椎间运动,黑盒配准对于躯干和脊柱配准不可靠。配准减少了偏移但未完全消除,在18例中配准完全失败。这些病例被排除在数据集之外。我们重新采样T1w-Dixon数据以匹配相邻T2w FSE图像的体素分辨率。

MR图像值通常范围为0到最大值,不同扫描运行之间该最大值可能不同。我们将图像值从[0,最大值]重新缩放至[−1, 1]范围以标准化这种变异性。此外,我们在训练期间应用随机颜色抖动,亮度和对比度因子变化范围为0.8至1.2,以弥补直方图不一致性。出于训练目的,我们使用固定输入尺寸:T1w FSE生成为(16, 192, 192)像素,STIR生成为(16, 256, 256)像素。在推理阶段,我们可以在将所有图像方向填充至可被8整除后输入完整图像。为人为增加训练数据方差,我们将训练数据复制三次并重新采样至1.0至0.5 mm之间的随机矢状面分辨率。

图像到图像网络

在翻译任务中,我们使用了Pix2Pix [29] 训练机制。它使用一个全卷积U-Net [30](见图2),以图像体素堆栈作为输入并产生目标输出。重建误差根据三个标准计算:绝对差值、结构相似性指数度量(SSIM)损失和最小二乘生成对抗网络(GAN)损失。绝对差值和SSIM误差与GAN损失的加权比为10比1。

其中是预测体积,x是真实值,D是判别器网络。对于GAN损失,训练了一个基于块的判别器,我们遵循了最小二乘GAN损失的计算方法 [31]。

训练2D模型通常更容易,但它损失了其他切片的额外信息。为了稳定训练并减少3D Pix2Pix模型的GPU存储需求,我们借鉴了Bieder等人 [32] 的思路进行了一些修改。我们使用图像嵌入作为图像输入堆栈的三个额外输入。每个嵌入是定义在3D图像原始边界上的从0到1的梯度,在随机裁剪至固定块大小之前。每个体积维度有其自己的嵌入梯度。见图3。我们在跳跃连接中使用加法而非拼接,以减少GPU存储需求。我们在单个V40 GPU上训练,学习率为0.00002,批量大小为3。

图2 输入和输出数据的矢状面视图。图像来自“波美拉尼亚健康研究”的一名参与者,其L4/5和L5/S1存在Modic改变。a 网络1和网络2的输入和输出示例。最后一个椎体邻近L5/S1处含有高含水量(Modic 2),而邻近L4/5处含有高脂肪含量(Modic 1)。高脂肪含量可在T1w-Dixon脂肪图像中看到,而高含水量则较难区分。网络2接收原始T2w FSE图像和网络1生成的T1w FSE输出。b 生成图像与真实图像的比较。骨骼结构、脂肪和水聚集均被正确生成。仅胃部区域存在差异,因为由于呼吸、消化过程以及检查期间膀胱充盈,真实T1w和T2w FSE图像之间经过了一段时间。c T1w、T2w FSE和STIR图像中水和脂肪表达的对比。在STIR中,椎间盘水化程度的差异比在T2w FSE中更容易观察。STIR,矢状面短tau反转恢复序列;T1w-Dixon,轴位T1加权梯度回波Dixon技术;T1w,矢状面T1加权图像;T2w,矢状面T2加权;FSE,快速自旋回波图像 查看原图 ↗
图3 网络结构。我们使用3D卷积、8组组归一化和Sigmoid线性单元(SiLU)作为主要残差块。所使用的通道大小在图中标明,并在残差块的第一层进行更改。模型输入(左侧)由所有输入图像和三图像位置嵌入的拼接组成。网络产生3D目标图像作为输出。示例展示了网络2的输入和输出 查看原图 ↗

图像质量

我们旨在证明我们的方法对于获得最佳结果的必要性。我们基于三项标准评估了我们的方法:(1)比较我们的3D方法与2D方法的有效性,(2)评估同时利用两对输入的必要性,(3)确认配对设置的要求。对于(1),我们在2D中采用了与3D Pix2Pix相同的网络,但将批次大小增加到64,并添加了注意力层,以充分利用显卡和2D训练的最佳参数。在(2)中,我们比较了使用两个输入与仅使用T2w FSE图像的3D和2D网络的性能。为了证明数据配对(3)的必要性,我们在相同的数据集和网络上采用了2D CycleGAN [33]。我们使用生成的图像,并将其与采集的图像进行比较,采用绝对差异(L1)均方误差(MSE)、峰值信噪比(PSNR)和SSIM。

图灵测试

图灵测试旨在评估人工智能令人信服地模仿真实人类行为或数据以欺骗人类观察者的能力。在我们的研究中,我们让七名放射科医生参与评估一组2D图像,其中包括真实的T2w图像和可能生成的另一模态图像。这七名放射科医生(P.S.P.、E.O.R.、S.H.K.、N.L.、C.R.、K.J.P.、O.R.K.——一名放射科医生具有3年经验;各两名分别具有1年、2年和6年经验)的任务是区分相邻图像是真实的还是人工生成的。我们分别对T1w FSE和STIR图像进行了这项评估。对于T1w FSE,我们使用了60张原生采集的图像,其中一半来自SHIP数据集,另一半来自我们的内部数据集。此外,从SHIP和NAKO数据集各生成了30张合成图像。在STIR图灵测试中,我们从SHIP和NAKO数据集各生成了30张合成图像,同时从我们的内部数据集中提取了60张真实STIR图像。在此测试中,我们仅使用人工T1w FSE图像来生成合成STIR。我们的目标是在真实图像和合成图像之间保持均衡。所有图像均标准化为150 × 150像素的统一尺寸,平面内分辨率为每像素1.1 mm。我们报告了误分类率(错误/(错误+正确))和Fleiss kappa评分者间一致性检验[34]。

统计分析与软件

模型分析使用Pytorch Python软件包进行模型性能评估。p值使用scipy Python软件包中的Wilcoxon符号秩检验计算。图灵测试和Fleiss kappa检验在Excel中分析。Fleiss kappa的99%置信误差根据Cohen等人[34]计算。Fleiss kappa的解释为:0–0.2差,0.21–0.4一般,0.41–0.6中等,0.61–0.8好,0.81–1.0很好。

结果

我们使用了212组STIR/T1w FSE/T2w FSE序列(125名受试者;平均年龄56 ± 18岁;37名男性,49名未知)和2454组T1w/T2w FSE和T1w-Dixon序列(每种序列类型每个受试者和序列融合为一个3D体积;平均年龄53 ± 14岁;1226名男性,2名其他)用于训练。测试分别在36对(22名受试者;平均年龄62 ± 17岁;6名男性,11名未知)和470对(平均年龄53 ± 13岁;235名男性)序列上进行。

视觉分析

在图4中,我们比较了SHIP数据集的真实测试样本和生成测试样本。脊柱结构看起来完全相同,而两次真实采集之间的软组织有轻微移动。T1w FSE生成模型在水和脂肪高信号转换方面是正确的。真实与人工T1w FSE中的脊柱图像几乎相同。血管瘤和modic 2等脂肪变性在T1w和T2w FSE图像中均呈高信号。modic 1和Tarlov囊肿等含水聚集在T1w FSE中变暗,在STIR中变亮,再现了它们在这些序列中的预期信号行为。SHIP数据集仅包含陈旧性骨折。因此,图像缺乏STIR序列中通常观察到的亮信号,而后者是新发骨折的特征。在图5和图6中,我们展示了血管瘤和modic改变等病变,其中生成的图像显示了典型的信号强度。即使对于训练期间罕见或未见过的病变,如放疗引起的脂肪骨髓转化,模型也能正确转换这些组织。

图4 来自波美拉尼亚健康研究数据集的不同异常示例。人工数据由深度学习模型生成,输入为T2w FSE和重采样的轴位T1加权梯度回波Dixon技术。红色箭头标记真实T1w FSE数据中的重建伪影,这些伪影在转换中未被再现。我们在小样本集中发现多例此类伪影纯属巧合。STIR,矢状位短tau反转恢复;T1w,矢状位T1加权图像;T2w,矢状位T2加权;FSE,快速自旋回波图像 查看原图 ↗
图5 来自德国国家队列的生成T1w FSE和STIR示例。人工数据由深度学习模型生成,输入为T2w FSE和重采样的轴位T1w-Dixon。该数据集没有金标准。我们可以看到脂肪聚集在水图像中造成黑洞,但水图像的观感比T1w FSE图像变化更大。我们展示了多种脂肪异常,如血管瘤、modic 2、脂肪骨髓转化和Schmorl结节突出。对于modic 1,我们看到T1w FSE中的信号下降。STIR,矢状位短tau反转恢复;T1w-Dixon水,轴位T1加权梯度回波Dixon技术计算的水部分;T1w,矢状位T1加权图像;T2w,矢状位T2加权;FSE,快速自旋回波图像 查看原图 ↗
图6 来自内部数据集的生成STIR示例。人工数据由深度学习模型生成,输入为T2w FSE和T1w FSE,如先前研究所示。STIR,矢状位短tau反转恢复;T1w,矢状位T1加权图像;T2w,矢状位T2加权;FSE,快速自旋回波图像 查看原图 ↗

图像质量

生成T1w FSE(表1)和STIR(表2)的测试表现出平行结果。非配对生成(CycleGAN)表现最差。最终的3D方法结果优于其2D对应方法。不提供矢状位T1w FSE和轴位T1w-Dixon对转换质量有负面影响。所提方法与其他方法之间Wilcoxon符号秩检验的所有p值均< 0.01。

表1 T1加权快速自旋回波生成的消融实验 查看原表 ↗
表2 矢状位短tau反转恢复生成的消融实验 查看原表 ↗

图灵测试

T1w FSE的误分类率为0.39 ± 0.09,STIR为0.42 ± 0.18。各评价者的单独结果见表3。评价者间一致性较低,Fleiss kappa检验显示T1w FSE的kappa值为0.09 [−0.04至0.19,99%置信区间],STIR图像的kappa值为0.09 [−0.10至0.13,99%置信区间]。在该检验中,kappa低于0.2被认为一致性差,接近于随机抛硬币分布。

表3 我们的七位评价者(匿名化)的误分类率 查看原表 ↗

讨论

生成式人工智能模型有望替代缺失的序列。在此,我们开发并验证了两种生成模型,用于从脊柱的轴位T1加权梯度回波Dixon技术(T1w-Dixon)和矢状位T2加权(T2w)FSE图像生成矢状位T1加权快速自旋回波(T1w FSE)和矢状位短tau反转恢复(STIR)图像。轴位T1w-Dixon的矢状位分辨率低于我们生成的T1w FSE,但仍能有效引导我们的网络在T2w FSE图像中区分脂肪和水。重要的是,我们的人工图像忠实再现了这些序列的成像特征,并且对于受过训练的神经放射学家而言,与真实对应图像无法区分。因此,我们的模型为在大型流行病学研究(如德国国家队列(NAKO)或“波美拉尼亚健康研究”(SHIP))中生成缺失序列提供了独特的机会。

本工作扩展了早期研究[1, 2],这些研究从T1w FSE和T2w FSE输入生成STIR序列。我们的消融实验表明,T1w-Dixon或T1w FSE图像的额外输入对于深度学习模型是必要的。否则,模型必须猜测必要的物理属性,并通过观察高信号以及判断水或脂肪是否为原因来进行外推。多次扫描的总体意图是消除这种模糊性,我们应当为深度学习应用提供这一信息以提高正确性。在我们的图灵测试中,神经放射学家无法可靠地区分真实图像和人工图像。约40%的误分类率与其他研究[2, 35]一致。在开发过程中,我们的印象是STIR图像对MR重建伪影的敏感性较低,并且不像真实STIR那样受到采集误差的影响。我们的评价者对该观察结果设盲,这反映在我们图灵测试的方差中。评价者将采集误差归因于机器学习的倾向可能会影响误分类率。这可以解释为什么一些评价者的评分较好、低于30%,而另一些则表现差于随机。

与先前的研究[1, 2, 10–14]不同,我们使用了来自SHIP和NAKO的人群数据,而非具有病理变化的患者数据。因此,与其他研究相比,我们训练集中的病理密度较低。我们手动筛选了NAKO测试集中的病理,以确保图灵测试有足够数量的病理测试样本。该数据存在选择偏倚,因为大多数病理为与年龄相关的非急性病例,与回顾性收集的内部数据不同。评价者对真实图像和生成图像之间病理可能性的差异设盲。

T1w-Dixon和STIR是专门的技术,由于时间限制,它们通常不在同一次检查中生成。这限制了本研究,因为我们没有同时包含T2w、T1w-Dixon和STIR的数据对来从头到尾测试我们的两个网络。我们只能以非配对的方式展示从开始到结束的过程,类似于图灵测试。两个已训练网络之间的分辨率和MRI设备不同。为了获得最佳性能,矢状面图像应在同一设备上以相同分辨率生成。我们目前无法补偿患者运动。

总体而言,我们可以回顾性地生成人工T1w FSE和STIR图像,这些图像几乎无法与真实图像区分。这使我们能够生成在日常临床实践中大型生物样本库数据集中会遇到的相同数据模态。

引用

  1. Graf R, Platzek PS, Riedel EO, et al. Generating synthetic high-resolution spinal STIR and T1w images from T2w FSE and low-resolution axial Dixon. Eur Radiol. 2024. PMID: 39231829. doi:10.1007/s00330-024-11047-1
  2. 全文:PMC11913981(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11913981/

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。