深度学习提升弥漫性胶质瘤动态对比增强MRI可靠性:绕过后处理并提供不确定性图
单中心回顾性研究纳入329例成人型弥漫性胶质瘤患者,提出时空概率深度学习模型直接从DCE-MRI估计药代动力学参数图并提供不确定性图。合成Ktrans、Vp、Ve图与真实图SSIM分别为0.961、0.962、0.890,ICC均达1.00,显著高于传统方法(0.68、0.59、0.64,p<0.001)。诊断性能(IDH突变预测与WHO分级)与真实图相当。
要点
- 合成Ktrans、Vp、Ve图与真实图高度相似(SSIM 0.961、0.962、0.890),且可靠性ICC均达1.00,显著高于传统方法。
- 合成图预测IDH突变和WHO分级的AUROC与真实图相当,Vp的IDH预测AUROC合成图0.86 vs 真实图0.76(p=0.009)。
- 不确定性图显示肿瘤周边渐进强化区域不确定性较高,低强化区Ktrans降低时不确定性值升高。
核心结论
- 时空概率深度学习模型直接从DCE-MRI生成合成药代动力学参数图,无需动脉输入函数选择和药代动力学模型拟合,可靠性显著提高且不损害胶质瘤分级和IDH突变预测的诊断性能。
研究设计与样本
- 单中心回顾性研究,连续纳入329例成人型弥漫性胶质瘤患者(197例男性,平均年龄55±15岁),2010年4月至2020年12月术前接受3T胶质瘤方案DCE-MRI;按时间分割,2016年3月后扫描的102例为测试集,其余219例随机分为训练集165例和验证集62例;真实药代动力学图由nordicICE 4.2.0商业软件基于扩展Tofts模型生成,动脉输入函数由两位神经放射学家(分别有20年和8年经验)独立选取。
关键影像表现/征象
- 合成Ktrans、Vp、Ve图与真实图的结构相似性指数分别为0.961、0.962、0.890,归一化均方根误差分别为2.657、2.422、6.053。
- 不确定性图显示最不可靠区域主要位于肿瘤周边呈渐进强化的区域,低强化区Ktrans降低时不确定性值升高。
- 合成Ve图与真实图的相似性在定量和定性上均低于Ktrans、Vp图,可能因真实Ve图本身噪声更高,深度学习模型似乎降低了参数图噪声。
- Bland-Altman图显示合成参数两次独立测量的平均差值更小,一致性界限较真实图窄近十倍。
诊断标准与关键数值
- 合成Ktrans图ICC为1.00(95%CI 0.991–0.999)vs 真实图0.68(95%CI 0.54–0.77),p<0.001。
- 合成Vp图ICC为1.00(95%CI 0.992–0.998)vs 真实图0.59(95%CI 0.43–0.71),p<0.001。
- 合成Ve图ICC为1.00(95%CI 0.996–0.998)vs 真实图0.64(95%CI 0.51–0.75),p<0.001。
- IDH突变预测:合成Ktrans AUROC 0.86(95%CI 0.77–0.92)vs 真实图0.84(95%CI 0.75–0.91),p=0.57;合成Vp AUROC 0.86(95%CI 0.78–0.93)vs 真实图0.76(95%CI 0.67–0.84),p=0.009;合成Ve AUROC 0.84(95%CI 0.75–0.90)vs 真实图0.82(95%CI 0.73–0.89),p=0.70。
- WHO分级预测(低级别 vs 高级别,2级为低级别,3–4级为高级别):合成Ktrans AUROC 0.88(95%CI 0.80–0.94)vs 真实图0.84(95%CI 0.75–0.91),p=0.21;合成Vp AUROC 0.88(95%CI 0.80–0.94)vs 真实图0.78(95%CI 0.68–0.86),p=0.02;合成Ve AUROC 0.87(95%CI 0.78–0.93)vs 真实图0.85(95%CI 0.75–0.91),p=0.64。
临床应用与阅片要点
- 该模型无需动脉输入函数选择和药代动力学模型拟合即可直接生成Ktrans、Vp、Ve图,总后处理时间344.1秒 vs 商业软件4.7秒,p<0.001,提速约70倍。
- 模型推理时间62.1秒 vs 0.8秒,p<0.001。
- 不确定性图可辅助识别模型推断模糊的区域,肿瘤周边渐进强化区不确定性较高,低强化区Ktrans降低时不确定性值升高。
- 合成PK参数图在IDH突变预测和WHO分级任务中与真实图诊断性能相当,Vp的IDH预测和分级预测AUROC合成图均高于真实图。
局限性
- 原文在讨论中提出需要进一步研究探索替代方法(如对数变换或不同缩放)以减轻Bland-Altman图中观察到的比例偏倚。
- 原文指出既往无研究使用大规模弥漫性胶质瘤数据集验证基于深度学习推断的直接估计方法。
全文中译15 节 · 点击展开
引言
动态对比增强磁共振成像(DCE-MRI)是一种灌注成像序列,可用于预测星形细胞瘤的WHO分级[1],以及区分假性进展[2]和放射性效应[3]与真性进展。
DCE-MRI利用肿瘤组织典型的信号强度动态变化和示踪剂动力学模型来生成药代动力学(PK)参数,如容积转运常数(Ktrans)、血管外细胞外间隙容积分数(Ve)和血管血浆间隙容积分数(Vp)[4]。这些PK参数不仅反映肿瘤血管生成(Vp),还反映微循环通透性(Ktrans和Ve)。在神经影像学中,DCE-MRI的使用不如动态磁敏感对比MRI(DSC-MRI)——另一种灌注成像序列——那么普遍。接受度较低的一个关键因素是DCE-MRI的可靠性较低[5–7]。DCE-MRI的T1信号强度(SI)本质上低于DSC-MRI的T2* SI,导致信噪比较低。这导致动脉输入函数(AIF)噪声较大。此外,部分容积伪影也 contributes to AIF的变异性[8]。AIF在推导PK参数中很重要,因此PK参数的可靠性也较低[9]。
多项研究尝试利用深度学习解决DCE-MRI可靠性低的问题。一项先前的研究使用条件生成对抗网络从DCE-MRI合成DSC-MRI衍生的AIF,提高了PK参数的可靠性[10]。另一种有趣的方法利用卷积神经网络直接从原始DCE-MRI数据估计PK参数,绕过了对AIF估计的需求[11]。这种直接估计方法还具有计算量较小的优势,因为传统的逐体素PK模型拟合方法需要考虑单个MR层面的数千个体素。
然而,深度学习算法常因是黑箱且缺乏可解释性而受到批评。近期关于胸部X线片的研究聚焦于不确定性的量化。这一缺点在决策应用中可能产生重大后果,尤其是在医学领域。不确定性量化方法,如概率U-Net,可用于量化和减少不确定性的影响[12]。
为克服DCE-MRI中已识别的局限性,我们引入并临床验证了一种时空方法,该方法将时间卷积网络与概率U-Net相结合。该混合模型直接从DCE-MRI数据估计PK参数,无需AIF选择或PK模型拟合,并包含不确定性估计以增强决策可靠性。
材料与方法
患者
在这项回顾性研究中,患者从单一中心的三级医院连续入组。首尔国立大学医院机构审查委员会(IRB)批准了本研究(编号2212-077-1385),并豁免了书面知情同意。从2010年4月至2020年12月,年龄超过18岁、接受过未治疗MRI且使用3-T胶质瘤方案(包括DCE-MRI、T1加权成像(T1WI)、T2加权成像(T2WI)和T2液体衰减反转恢复(FLAIR)成像)的患者被考虑纳入。
纳入根据2021年世界卫生组织中枢神经系统肿瘤分类获得成人型弥漫性胶质瘤组织分子诊断的患者:(1)组织学胶质母细胞瘤,IDH野生型,组织病理学分级4级;(2)分子胶质母细胞瘤,IDH野生型,组织病理学分级2-3级,伴端粒酶逆转录酶(TERT)启动子突变、表皮生长因子受体(EGFR)扩增或7p+/10q-染色体拷贝数改变中的任一分子改变;(3)星形细胞瘤,IDH突变型;(4)少突胶质细胞瘤,IDH突变型,1p/19q共缺失[13],共369例患者。排除MRI质量不佳(n = 11)以及组织分子状态不完整或分类错误包括WHO分级、IDH突变和1p/19q共缺失状态(n = 29)的患者。共有329例患者符合纳入标准(图1)。数据集按时间拆分,使测试集(102例患者)由2016年3月之后采集的扫描组成。其余219例患者被随机拆分为训练集(165例患者)和验证集(62例患者)。
数据收集和处理
支持本研究结果的数据包含在论文及其补充材料中。原始数据可在合理请求下向通讯作者获取。实验代码和3D模型可在GitHub上获取:https://github.com/kyuchoi/dce2ktrans。
对原始DCE-MRI数据进行运动校正和噪声调制。使用nordicICE 4.2.0(NordicNeuroLab)获得作为参考标准(GT)的PK图,该软件是一款专用且被广泛接受的商业软件包。使用nordicICE的DCE模块获得AIF。两名神经放射科医生(放射科医生1和放射科医生2,分别具有20年和8年经验)独立为每名受试者选择AIF。在大脑中动脉水平段层面半自动检测AIF,以尽量减少主观性。随后通过拟合扩展Tofts模型获得Ktrans、Vp、Ve和其他生理图[4]。
胶质瘤分割神经网络算法(HD-GLIO)对配准至T1WI空间的T1WI、T2WI、FLAIR图像进行分割,以获得用于统计分析的肿瘤分割图[14, 15]。数据处理的详细信息见补充材料。
深度学习模型
将DCE图像准确映射为PK图需要仔细考虑底层物理模型。鉴于底层物理模型主要基于体素级时间曲线分析,我们设计了一种时空网络架构,该架构结合了时间曲线的体素级分析以及空间数据,以改进PK图的估计。我们采用时间卷积网络(TCN)[16]和概率U-Net[17]的串行两阶段组合作为架构(图2)。
在第一阶段,使用时间卷积网络(TCN)将60个时间点DCE图中的时间信息压缩为三张时间特征图,每个药代动力学(PK)参数一张。TCN有助于提取体素级时间曲线中的关键特征。在第二阶段,时间特征图被用作概率U-Net的输入。概率U-Net能够整合空间信息,同时提供不确定性图。关于深度学习模型的详细信息见补充材料。
验证实验
为对模型进行定量验证,计算了合成(预测)PK图与GT PK图之间的结构相似性指数(SSIM)和归一化均方根误差(NRMSE),分别针对肿瘤区域和全脑 [18]。为比较时间模型和时空模型的定量性能,通过比较完整的两阶段时空模型与仅含第一阶段时间一维网络的模型进行了消融研究。计算了合成PK图与GT PK图之间的SSIM、NRMSE值(表1)。
PK图的可靠性通过比较以下两组的组内相关系数(ICC)进行评估:(1) 使用商业软件进行的常规PK图生成,(2) 来自神经网络模型的合成PK图。具体而言,系数是在增强肿瘤ROI平均后的两次Ktrans、Vp、Ve测量之间计算的。对于常规PK图生成,ICC是在两次独立的AIF选择之间计算的PK图之间的ICC。对于合成PK图,ICC是根据概率U-Net的4次随机预测样本之间的变异性计算的PK图之间的ICC。
为进行临床验证,计算了使用PK图预测WHO分级(低级别 vs 高级别)和IDH突变状态的受试者工作特征曲线下面积(AUROC)值。采用了常规定义——2级为低级别,3级和4级为高级别。对每位患者在增强肿瘤ROI内计算PK图(Ktrans、Vp、Ve)的平均值,并用于预测。
比较了nordicICE商业软件与两阶段时空深度学习模型在每位患者上的后处理时间。统计数据为测试集中所有102位患者的平均值。动脉输入函数(AIF)选择由一位神经放射科医生完成。深度学习模型的推理使用单个NVIDIA RTX 3090 GPU完成。对于概率U-Net,使用了4个随机种子。总后处理时间定义为从加载DCE体积到保存PK图的时间。对于nordicICE,这还包括神经放射科医生选择AIF的时间。推理时间定义为直接用于计算PK图的时间,不包括加载、显示或保存时间。
统计分析
连续变量若呈正态分布则以均数和标准差汇总,若呈非正态分布则以中位数和四分位距汇总。定量变量采用Student t检验或Mann–Whitney U检验进行比较,分类变量采用χ2检验或Fisher精确检验进行比较。Bland-Altman图用于展示所有PK参数的合成值与真实值之间的一致性。p值小于0.05被认为具有统计学显著性,所有分析均使用R 4.2.3版本进行。AUROC分析使用pROC包进行[19]。
结果
患者特征
共纳入329例患者:197例(60%)男性,平均年龄55 ± 15岁。其中,IDH野生型组年龄大于IDH突变型组:平均年龄,58 ± 15 vs 45 ± 13(p < 0.0001)。根据2021年WHO中枢神经系统肿瘤分类,病理包括:胶质母细胞瘤,IDH野生型,组织学分级4级(n = 214,65%);少突胶质细胞瘤,IDH突变型,且1p/19q共缺失(n = 32,10%);星形细胞瘤,IDH突变型(n = 50,15%);以及IDH野生型、组织病理学分级2级或3级并伴有TERT启动子突变、EGFR扩增或7p+/10q-任一分子改变者,被视为分子胶质母细胞瘤(即胶质母细胞瘤,IDH野生型,WHO 4级)(n = 33,10%)。测试集与训练/验证集患者在年龄(p = 0.10)、性别(p = 0.32)或肿瘤WHO分级(p = 0.30)方面无统计学显著差异。然而,肿瘤IDH突变状态(p = 0.04)和肿瘤病理(p < 0.001)存在显著差异。测试集与训练/验证集特征的详细信息见表2。
生成的定量与定性验证
在生成性能的定量分析中,合成PK图(即Ktrans、Vp和Ve)与GT PK图相比显示出高生成性能:SSIM分别为0.961、0.962和0.890;NRMSE分别为2.657、2.422和6.053。
两个代表性病例展示了生成PK图的定性有效性。同时检查不确定性图表明,最不可靠的区域主要位于肿瘤周边区域,其显示出从肿瘤外部到内部区域的逐渐强化追踪(图3和图4)。
时间模型与时空模型的比较
在消融研究中,完整的两阶段时空模型相比单阶段一维时间模型表现出更高的性能。对于Ktrans,SSIM为0.961 vs 0.948(p < 0.001)。对于Vp,SSIM为0.962 vs 0.941(p < 0.001),对于Ve,SSIM为0.890 vs 0.816(p < 0.001)(表1)。
PK图可靠性的比较
使用ICC计算的可靠性显示,合成PK图显著高于传统方法。对于Ktrans,合成PK图与GT PK图的ICC为1.00(95%置信区间(CI),0.991–0.999)vs 0.68(95% CI,0.54–0.77)(p < 0.001)。对于Vp,ICC为1.00(95% CI,0.992–0.998)vs 0.59(95% CI,0.43–0.71)(p < 0.001),对于Ve,ICC为1.00(95% CI,0.996–0.998)vs 0.64(95% CI,0.51–0.75)(p < 0.001)。Bland-Altman图显示,与GT相比,合成PK参数的一致性有所改善,表现为两次独立测量之间的平均差异更小、一致性界限窄近十倍(图5)。
IDH突变预测任务的诊断性能
对于IDH突变预测任务,从合成和GT PK图获得的强化肿瘤部分的PK值具有可比性。对于Ktrans,合成与GT PK图的AUROC分别为0.86(95% CI,0.77–0.92)对0.84(95% CI,0.75–0.91)(p = 0.57)。对于Vp,AUROC分别为0.86(95% CI,0.78–0.93)对0.76(95% CI,0.67–0.84)(p = 0.009),对于Ve,AUROC分别为0.84(95% CI,0.75–0.90)对0.82(95% CI,0.73–0.89)(p = 0.70)(图6)。
WHO分级预测任务的诊断性能
对于WHO分级预测任务(低级别对高级别),从合成和GT PK图获得的强化肿瘤部分的PK值具有可比性。对于Ktrans,合成与GT PK图的AUROC分别为0.88(95% CI,0.80–0.94)对0.84(95% CI,0.75–0.91)(p = 0.21)。对于Vp,AUROC分别为0.88(95% CI,0.80–0.94)对0.78(95% CI,0.68–0.86)(p = 0.02),对于Ve,AUROC分别为0.87(95% CI,0.78–0.93)对0.85(95% CI,0.75–0.91)(p = 0.64)(图6)。
后处理时间的比较
与nordicICE商业软件相比,使用两阶段时空深度学习模型显著缩短了后处理时间。总后处理时间为344.1对4.7秒(p < 0.001),显示出70倍的改善。模型推理时间为62.1对0.8秒(p < 0.001)。
讨论
这项回顾性研究展示了时空深度学习模型如何绕过药代动力学(PK)模型拟合后处理、提高DCE参数估计的可靠性并提供不确定性估计。既往研究已使用深度学习方法,包括物理信息神经网络(PINNs),直接估计PK参数,克服了现有PK模型(如扩展Tofts模型)的计算时间限制[11, 20, 21]。然而,尚无研究在大规模弥漫性胶质瘤数据集上验证基于深度学习推理的直接估计。此外,PINNs复现了现有PK模型的系统误差,因为它们使用一维体素级建模而非真正的时空多室动态模型[22]。具体而言,扩展Tofts模型未考虑相邻体素之间的扩散或体素内/体素间交换,且一维体素建模依赖于大脑中动脉M1段的全局动脉输入函数(AIF)假设而非来自病灶组织的局部AIF,从而引入恒定系统误差[23]。此外,Buckley等人已指出系统误差问题[24]。特别是在Ktrans较低的情况下,肿瘤可见度较低且信噪比较低,从而导致高方差。该误差显著影响准确性,构成可靠分析的主要障碍,并损害定量成像的关键假设。
为解决这些问题,本研究提出使用概率U-Net在提供PK参数的同时提供不确定性估计。Bliesener等人先前的研究提出了DCE-MRI中的不确定性估计[25]。然而,该研究仅使用一维曲线,未纳入时空动力学,且仅使用带有数字参考对象的模拟数据。本研究首次将此类模型应用于空间和时间两个维度的大规模弥漫性胶质瘤患者群体。具体而言,为学习4D DCE-MRI的时空动力学,模型结构分为两个阶段:一个阶段使用时间卷积网络学习时间特征,另一阶段使用概率U-Net学习空间特征。仅使用第一阶段网络的消融实验表明,时空模型在SSIM和NRMSE等定量指标上优于一维时间模型。
确定性和概率网络的集成可提供稳健可靠的系统[26]。时间卷积网络在提取物理特征方面具有优势;然而它是一个确定性模型,对给定输入仅产生单一特定结果。这构成局限性,因为当出现假阳性或假阴性时,唯一选择是重新训练,限制了模型捕获真实世界变异性的能力。相比之下,概率U-Net利用潜在空间中的高斯分布产生多个合理的合成结果,这些结果可能类似于真实世界PK参数图中观察到的变异性。
合成的DCE参数图在定量和定性上与使用传统方法获得的GT DCE参数图表现出高度相似性。此外,通过神经网络模型的快速推理能力,这些图的生成速度显著更快。与合成的Ktrans、Vp图相比,合成的Ve图在定量和定性上与GT图的相似性较低。这可能是因为GT Ve图本质上比GT Ktrans、Vp图噪声更大。我们观察到,深度学习模型似乎能降低参数图中的噪声,因此Ve图的噪声差异最为明显。既往研究已揭示了特定PK模型引入的若干系统性误差:例如,在某些PK模型中Ve可被低估高达300% [27],而对于Tofts模型,Ktrans和Vp可分别被高估和低估 [24]。
在可靠性方面,合成DCE参数图的ICC值显著高于GT图(Ktrans:1.00 vs 0.68;Vp:1.00 vs 0.59;Ve:1.00 vs 0.64,均p < 0.001)。我们认为这是因为深度学习模型是一种全自动化方法,不依赖于AIF的任意选择,而AIF已知因部分容积伪影和运动伪影而不可靠。LoA的比较证实,合成PK参数的一致性改善可达近十倍(图5)。尽管在所有PK参数的Bland-Altman图中均观察到比例偏倚——鉴于其基于比例的特性,这是预期结果——但这种偏倚并不一定使偏倚估计或一致性界限(LoA)失效 [28, 29]。然而,仍需进一步研究探索替代方法,如对数变换或不同缩放,以减轻比例偏倚。
从概率模型的视角解读不确定性图,高方差区域表明不确定性相对较高。这些高方差区域可从两个角度进行临床解读:(1)它们突出了从模型角度看模型推理模糊的区域,从而帮助临床医生在癌症诊断期间考虑潜在的不准确性,以实现更可靠的解读。例如,在强化程度较低的肿瘤区域,不确定性值随Ktrans降低而升高(图3和图4)。按照既往研究未来方向[25]的建议实施时空不确定性图,我们将参数图与不确定性图并排显示,从而可以排除高方差体素,通过缩小误差界限提供更具可重复性的影像生物标志物;(2)无论肿瘤类型如何(少突胶质细胞瘤、IDH突变型或胶质母细胞瘤、IDH野生型),高不确定性区域通常对应于肿瘤区域周边呈现从无强化到强化的逐渐过渡(图3和图4)。这些区域常标记易于发生局部复发/进展的潜在切除边缘 [30, 31],从而有助于识别患者的高风险进展区域 [32]。从深度学习角度看,如果MR图像有噪声,生成模型可能“幻觉”,导致假阳性发现。如我们的模型所展示的,估计不确定性对于通过在最终解读中过滤掉高不确定性体素来减轻这一问题至关重要。
进行临床验证以评估合成与GT PK图(Ktrans、Vp、Ve)在预测IDH突变状态和WHO分级中的诊断性能。该分析生成了12条AUROC曲线(图6)。AUROC显示12个病例中有10个具有良好的诊断性能(0.80–90)。使用GT Vp预测IDH突变状态(AUROC = 0.76)和使用GT Vp预测WHO分级(AUROC = 0.78)时观察到较低的AUROC值。
对合成与GT PK图之间的诊断性能进行了成对比较。合成Vp图在IDH突变状态预测任务(AUROC 0.86 vs 0.76,p = 0.009)和WHO分级预测任务(AUROC 0.88 vs 0.78,p = 0.02)中均表现出优于GT Vp图的性能。相比之下,Ktrans和Ve在两项任务中的诊断性能均未观察到统计学差异。
合成Vp图优于GT Vp图的可能解释是,Vp在传统PK模型中往往被系统性低估[24]。在我们的研究中,我们还观察到Vp在不确定性图中与Ktrans和Ve相比往往表现出更高的方差(图3)。这种不可靠性可能在合成模型中被平均化,从而导致诊断能力的显著提升。
与传统方法相比,使用深度学习模型的后处理时间最多快70倍。这可归因于两个因素。首先,深度学习模型不需要人工标注AIF,而人工标注通常占总处理时间的一半以上。其次,深度学习模型的计算量较小,因为传统方法必须同时拟合单个MR切片上的数千个体素。
统计分析显示,测试集与训练/验证集在肿瘤IDH突变状态(p = 0.04)和肿瘤病理(p < 0.001)方面存在显著差异。这些差异的出现是因为我们采用了时间分割而非随机分割。虽然随机分割可能产生更高的模型性能,但时间分割能更真实地评估模型在实际应用中的性能。这种方法与确保模型在临床环境中的适用性和稳健性的目标相一致。
未来的研究应检查Ktrans值较低的病例,这类病例中肿瘤可见度较低,尤其是在约7%具有“低级别表现”的IDH野生型病例中,这些病例看起来侵袭性较低且预后良好[33]。对非强化肿瘤的切除,如超最大范围切除,已显示出提高生存率的潜力,但由于可能导致神经功能缺损,尚无关于切除边界的特定指南。DCE-MRI可通过引导非强化区域中的血管生成区域,促进切除边界的研究。然而,低强化可导致PK图中肿瘤描绘不佳,降低Ktrans、Ve和Vp等参数的可靠性。本研究提出的不确定性图的使用可能通过允许排除高方差体素来减轻系统误差,从而在其误差界限内总结关键生物标志物。需要进一步研究在更广泛的临床背景中测试该模型的性能,包括术后和放疗后图像,以及其他病变。该模型将需要大型且多样化的训练数据集,并进行细微调整以处理不同的DCE-MRI参数。
本研究存在若干局限性。首先,未进行外部验证,因为该研究是在单中心回顾性进行的,限制了研究结果对其他成像方案和人群的普遍适用性。其次,合成的药代动力学(PK)图是仅针对源自Tofts模型的真实图进行验证的,该模型具有固有局限性并可能引入偏倚。最后,虽然本研究聚焦于Tofts模型,未来工作应将其他药代动力学模型(如Patlak模型)纳入网络架构,以提高DCE-MRI中不确定性学习的普遍适用性和应用性。
总之,所提出的用于从DCE-MRI生成PK图的时空概率深度学习模型不仅提高了可靠性,还减少了后处理时间。它在预测IDH突变/WHO分级方面保持甚至提高了诊断性能,并通过不确定性图为解读PK图提供体素级指导。这有效减少了定量成像中不可靠性这一主要障碍,而这对治疗计划可能至关重要。
补充信息
电子补充材料
引用
- Lyoo YW, Lee H, Lee J, et al. Deep learning enhances reliability of dynamic contrast-enhanced MRI in diffuse gliomas: bypassing post-processing and providing uncertainty maps. Eur Radiol. 2025. PMID: 40252095. doi:10.1007/s00330-025-11588-z
- 全文:PMC12417281(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12417281/
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。