基于深度学习的图像增强改善脑转移瘤黑血成像
回顾性纳入126例脑转移瘤和121例无转移患者,评估深度学习图像增强对3D增强T1加权黑血MR图像质量和诊断效能的影响。增强后信噪比和对比噪声比升高,总体图像质量和噪声改善,病灶敏感度从79%升至86%,尤其<5mm病灶从69%升至78%,特异度和平均假阳性数无显著变化。
要点
- DL增强后黑血图像信噪比438.3升至661.1、对比噪声比173.9升至223.5(p<0.01)。
- 病灶敏感度从79%升至86%(p=0.02),<5mm病灶从69%升至78%(p=0.03)。
- 特异度(p=0.24)和平均假阳性数(p=0.18)无显著变化,伪影无显著差异(p≥0.07)。
核心结论
- DL图像增强可提高3D增强T1加权黑血MR图像质量和诊断效能,尤其有助于检出<5mm的小脑转移瘤。
研究设计与样本
- 回顾性研究,纳入126例脑转移瘤患者和121例无转移患者,均在3-T MRI扫描仪上接受检查。
- 使用商用DL MR图像增强软件(SwiftMR v2.0.1.0,AIRS Medical Inc.)对增强后3D轴位黑血图像进行后处理。
- 以一位有15年神经放射学经验的放射科医生回顾性审阅所有MR图像并标注转移灶作为参考标准。
关键影像表现/征象
- DL增强图像上强化病灶的信噪比和对比噪声比均高于标准图像(438.3 vs. 661.1,p<0.01;173.9 vs. 223.5,p<0.01),各扫描仪亚组均一致(p<0.01)。
- 总体图像质量和噪声在DL图像上改善(平均评分5分比例38% vs. 65%,p<0.01;43% vs. 74%,p<0.01),伪影无显著差异(p≥0.07)。
- DL增强后未被发现或病灶显示度评分为1的病灶数减少,评分为3的病灶数增加(两名读者p<0.01)。
- 典型病例显示右顶叶皮层微小强化病灶在DL增强图像上较标准图像更明显;假阳性病例显示左侧小脑未抑制血管所致点状强化在DL增强图像上更明显。
诊断标准与关键数值
- 病灶敏感度DL增强图像86% vs. 标准图像79%(p=0.02);<5mm病灶78% vs. 69%(p=0.03);5mm≤size<10mm(p=0.17)和≥10mm(p=0.28)无显著差异。
- 患者水平特异度DL增强图像与标准图像相当(p=0.24),平均假阳性数相当(p=0.18)。
- 图像质量与噪声采用5分Likert量表(1:不可接受或无诊断价值;5:最佳);伪影采用5分Likert量表(1:无法阅读;5:无伪影);病灶显示度采用3分制(1:差,几乎不可见;3:极好)。
临床应用与阅片要点
- 作者认为DL增强可减少假阴性率,通过提高信噪比、对比噪声比和总体图像质量。
- 作者指出现有伪影和未抑制血管信号可能在增强过程中被强化,本研究多数假阳性病例源于残余血管信号的误判。
- 作者认为DL增强黑血图像可能辅助神经放射科医生准确诊断脑转移瘤,在保持相当特异度的同时获得更好敏感度。
局限性
- 本研究为单中心回顾性研究,建议进行前瞻性多中心研究以验证泛化性。
- 本研究仅使用一种商用DL MR图像增强软件,需未来比较SwiftMR与其他商用DL软件以验证临床实用性。
- 纳入患者数不够大,相对较小的样本量可能影响部分分析,尤其是未达统计学显著性的亚组结果。
- 完全囊性或出血性转移灶因难以界定强化部分而被排除,病灶数>10个的患者也被排除。
- 脑转移瘤诊断参考标准基于影像学表现建立,多数无病理确认。
全文中译15 节 · 点击展开
引言
转移性脑肿瘤是成人中最常见的颅内肿瘤之一。虽然已知约20%的癌症患者会发生脑转移,但其百分比可能被低估,并且可能随着原发癌症生存率的提高而增加[1, 2]。如今,治疗是个体化的,选择包括化疗、全脑放射治疗、立体定向放射外科和手术切除。关于脑转移灶位置、大小和数量的准确信息对于确定最合适的治疗至关重要[3, 4]。
黑血(BB)MR成像是一种可视化脑转移灶的有用技术。常见的BB成像方法涉及可变重聚焦翻转角以实现有效的体素内去相位,或使用准备脉冲,如双反转恢复或运动敏感驱动平衡[5]。这些方法大多利用血流特性。在典型的对比增强T1加权脑MR图像中,血管和转移灶均显示高信号强度。然而,在BB图像中血管信号几乎完全被抑制,从而改善了脑血管与转移性病变之间的对比度。既往研究表明,与常规磁化准备快速梯度回波MR图像相比,BB图像能更好地检测转移灶[6–9]。
薄层MR图像通过减少部分容积伪影在检测小病变方面显示出更优的诊断性能[10, 11]。特别是,既往关于脑转移的研究表明,使用较厚的层厚可能增加遗漏小转移灶、不恰当地确定每个病变范围或将血管误认为转移灶的几率[12, 13]。因此,神经肿瘤学脑转移反应评估(RANO-BM)标准强烈推荐使用1.5 mm或更薄的MR图像检测脑转移灶[14]。然而,关键局限性在于必须在空间分辨率和噪声之间进行权衡[15]。薄层固有地导致信噪比(SNR)降低,从而损害图像质量并可能导致误诊。
近年来,基于深度学习(DL)的图像增强在提高薄层MR成像对小病变(如垂体腺瘤或多发性硬化斑块)的图像质量方面显示出很大潜力[15–17]。据我们所知,既往尚无研究将DL图像增强用于脑转移患者的薄层BB MR成像。因此,我们旨在评估一种市售的、不受厂商限制的基于DL的图像增强在改善三维对比增强T1加权BB MR成像对脑转移灶的图像质量和诊断性能方面的效用。
材料与方法
本研究经首尔国立大学医院机构审查委员会批准(IRB编号2311-047-1482),由于其为回顾性研究,免除知情同意要求。
患者
对于转移组,从我们的放射学报告数据库中连续筛选出181例于2023年8月至2023年10月期间接受专用MRI方案评估脑转移的潜在恶性肿瘤患者。纳入标准如下:患者(1)患有潜在恶性肿瘤;(2)在3-T扫描仪上接受MR成像以评估脑转移(包括增强后BB和3D梯度回波序列);(3)放射学报告提示脑实质转移。排除标准如下:(1)MR图像质量欠佳;(2)MR图像显示超过10个转移灶;(3)MR图像仅显示完全囊性或出血性病变。
对于非转移组,从我们的放射学报告数据库中连续筛选出122例于2023年9月至2023年10月期间接受专用MRI方案评估脑转移的潜在恶性肿瘤患者。纳入标准如下:患者(1)患有潜在恶性肿瘤;(2)在3-T扫描仪上接受MR成像以评估脑转移(包括BB和3D梯度回波序列);(3)放射学报告包含“无转移证据”或其等效表述。排除标准与转移组的标准(1)相同。
MRI采集
MRI扫描使用多台3-T扫描仪进行,涉及多个不同制造商(Discovery MR750w,GE Healthcare(n = 40);Signa Premier,GE Healthcare(n = 54);Ingenia 3.0 T CX,Philips Healthcare(n = 96);Biograph mMR,Siemens Healthineers(n = 18);Magnetom Skyra,Siemens Healthineers(n = 39))。各扫描仪的具体成像参数见补充表1。造影剂使用钆布醇(Gadovist,Bayer;静脉注射0.1 mmol/kg)。用于评估脑转移的专用MRI方案包括增强前和增强后3D T1加权梯度回波序列以及增强后3D T1加权BB成像。
基于深度学习的图像增强
增强后3D轴位BB图像使用商用深度学习软件(SwiftMR v2.0.1.0,AIRS Medical Inc.)进行后处理。底层深度学习框架及其训练过程概述如下。
SwiftMR基于著名的U-Net架构[18]。收缩路径由编码器模块重复构成,包括两次3 × 3卷积配合ReLU操作以及一个2 × 2最大池化步骤用于下采样。扩张路径使用连续的解码器模块来恢复空间维度,同时利用从收缩路径获得的高层特征以及来自拼接的相对精细特征。在U-Net的每一层均实施了数据一致性约束。关于该模型的详细信息可见[19]。模型训练和验证过程中使用的MR图像与本研究中采集的图像互不重叠。
定量图像质量评估
SNR和对比噪声比(CNR)用于定量评估转移瘤组的图像质量。对于每幅标准或DL增强BB图像,共在最大对比增强转移灶、表现正常的白质(70 ± 9 mm2)和背景(70 ± 9 mm2)处放置3个ROI。转移灶的ROI设为增强区域内最大的圆形(25 ± 41 mm2)。随后使用以下公式计算转移灶的SNR以及转移灶与表现正常白质之间的CNR:其中和分别指转移灶和表现正常白质的平均SI,N指背景SI的标准差。
定性图像质量评估
两名神经放射科医师(S.W.J.和H.J.C.,分别具有14年和15年放射学经验)在两次阅片 sessions 中独立评估标准和DL增强BB图像的图像质量,两次 sessions 之间至少间隔2周洗脱期。每次 session 以随机交叉方式向阅片者呈现494幅轴位BB图像,包括来自247例患者的247幅标准MR图像和247幅DL增强MR图像,阅片者对患者信息设盲。阅片者使用5点Likert量表评估整体图像质量和噪声(1:不可接受或无诊断价值,2:诊断价值非常有限,3:可接受用于大多数诊断,4:良好用于大多数诊断,5:最佳)。伪影程度也使用5点Likert量表评估(1:无法阅读(非诊断质量图像),2:严重伪影(图像退化但可判读),3:中度伪影,对诊断质量有一些但无严重影响,4:轻微伪影,对诊断质量无影响,5:无伪影)。
脑转移瘤的诊断性能
两名阅片者还使用3点量表独立评估病灶显示清晰度(1:差(几乎不可见),2:一般,3:极好)。在审阅过程中,允许阅片者查看相应的增强后3D轴位梯度回波图像作为参考,以减少因增强后BB图像上血管抑制不完全导致的假阳性。
对于参考标准,一名经验丰富的神经放射科医师(R.E.Y.,具有15年神经放射学经验)回顾性审阅了所有MR图像并标注了所有转移灶。为提高脑转移瘤的诊断准确性,该放射科医师在标注时参考了既往放射学报告。
统计分析
所有统计分析均使用R 4.2.2版(The R Project for Statistical Computing)进行。使用Wilcoxon符号秩检验比较标准和DL增强图像之间的定量和定性图像质量。采用基于病灶和基于患者两种方法评估阅片者的诊断性能。病灶的敏感性和显示清晰度分别使用广义估计方程(GEE)的逻辑回归和带GEE的序数逻辑回归进行分析。在基于患者的方法中,特异性使用逻辑回归分析,而平均假阳性(FP)计数使用泊松回归分析。p值小于0.05被认为具有统计学意义。
结果
基线特征
在转移组181例连续的存在基础恶性肿瘤的患者中,55例被排除,因为其MR图像质量欠佳(n = 1)、病灶超过10个(n = 50)或病灶完全为囊性或出血性(n = 4)。在非转移组122例连续的存在基础恶性肿瘤的患者中,1例因图像质量欠佳被排除。排除后,纳入126例脑转移患者和121例无转移患者(图1)。在这些患者中,97例转移患者(65 ± 12岁;男30例,女67例)和96例无转移患者(65 ± 12岁;男51例,女45例)的MR图像既往未使用其他基于深度学习(DL)的方法处理(表1)。最常见的基础恶性肿瘤为肺癌。对于转移组,平均病灶大小为7.6 mm(中位数,5.4 mm(范围,1.6–58.9 mm))。其余29例转移患者(64 ± 10岁;男11例,女18例)和25例无转移患者(66 ± 13岁;男16例,女9例)的MR图像既往使用另一种基于DL的方法(AIR Recon DLTM,GE Healthcare)处理(补充表2)。
定量图像质量评估
DL增强图像的SNR和CNR均高于标准图像(两者p < 0.01)(表2和补充表3)。在按MRI扫描仪类型进行的亚组分析中,无论使用何种扫描仪,所有亚组中DL增强图像的SNR和CNR均高于标准图像(所有p < 0.01)(表2)。
定性图像质量评估
整体图像质量、噪声和伪影的评估总结于图2和补充图1。对于既往未使用其他基于DL的方法处理的MR图像,两位阅片者均评价DL增强图像的整体图像质量和噪声高于标准图像(所有p < 0.01);对于既往使用AIR Recon DLTM处理的MR图像,阅片者1评价DL增强图像的整体图像质量和噪声高于标准图像(p = 0.04;p < 0.01)。相比之下,两位阅片者均认为标准图像与DL增强图像之间的伪影程度无显著差异(阅片者1,p = 0.07和p = 0.81;阅片者2,p = 0.55和p = 0.08)。
脑转移瘤的诊断性能
标准图像和深度学习(DL)增强图像中每个病灶的灵敏度见表3。平均阅片者灵敏度在DL增强图像中显著高于标准图像(分别为86%和79%;p = 0.02)。在基于病灶大小的亚组分析中,小于5 mm的转移瘤在DL增强图像中的检出优于标准图像(分别为78%和69%;p = 0.03),而对于较大病灶,两种图像之间的差异无统计学意义(5 mm ≤ 大小 < 10 mm,p = 0.17;大小 ≥ 10 mm,p = 0.28)。小于5 mm转移瘤的代表性病例见图3。
病灶清晰度评分的分布见表4。两位阅片者在标准图像和DL增强图像之间的病灶清晰度评分均存在差异(两位阅片者均为p < 0.01)。经基于DL的增强后,未发现或清晰度评分为1的病灶数量减少,而清晰度评分为3的病灶数量增加。按病灶大小进行的亚组分析也显示,两种图像之间病灶清晰度评分的分布存在统计学差异(阅片者1:(大小 < 5 mm,p < 0.01)、(大小 ≥ 10 mm,p = 0.02);阅片者2:(大小 < 5 mm,p < 0.01)、(5 mm ≤ 大小 < 10 mm,p = 0.01)、(大小 ≥ 10 mm,p = 0.01)),但阅片者1中大小等于或大于5 mm但小于10 mm的病灶除外(p = 0.06)。
每例患者的特异度和平均假阳性(FP)计数见表5。DL增强图像中每例患者的特异度与标准图像相当(p = 0.24)。DL增强图像中的平均FP计数也与标准图像相当(p = 0.18)。代表性FP病例见图4。
先前使用AIR Recon DLTM处理的MR图像结果见补充表4–6。对于小于5 mm的病灶,DL增强图像中检出或获得较高清晰度评分的病灶数量趋于增加,但仅在阅片者2的清晰度评分分布中达到统计学显著性(p = 0.04)。DL增强图像中的特异度和平均FP计数与标准图像相当(p = 0.75;p = 0.52)。
讨论
在本研究中,我们评估了基于深度学习(DL)的图像增强在脑转移瘤诊断中的效能。这项回顾性研究比较了标准黑血(BB)脑部图像及其DL增强版本在转移性病灶的定量与定性图像质量及诊断性能方面的差异。无论厂商类型如何,DL增强后信噪比(SNR)和对比噪声比(CNR)均升高。DL增强图像的整体图像质量和噪声水平优于标准图像。与标准图像相比,阅片者平均在DL增强图像上获得了更高的病灶敏感度。阅片者感知的伪影、特异度和平均假阳性(FP)计数的变化未达到统计学显著性。
脑转移瘤的发生率是原发性恶性脑肿瘤的10倍,因此其检出对放射科医师而言十分重要[20]。然而,准确诊断可能较为困难,因为转移瘤在大小、形状、数量和位置上存在差异[21, 22]。根据Buller等的报道,未经治疗的多发转移瘤患者的病灶大小倾向于遵循幂律分布,通常为一个较大病灶伴其他较小病灶[23]。小病灶较少伴有水肿等诊断线索,使得小转移瘤的检出相比大病灶更具挑战性[24]。因此,尤其值得注意的是,我们的研究显示DL图像的整体敏感度优于标准图像,尤其是在检出小转移瘤(< 5 mm)方面。
为准确诊断小脑转移瘤,Li等开发了一种两阶段DL检测与分割算法,以降低FP率并提高薄层增强后T1加权图像上脑转移瘤诊断的精确度[25]。然而,由于小血管难以区分,准确诊断小转移瘤仍具有挑战性。为此,Oh等使用BB图像开发了一种基于DL的脑转移瘤检测算法[26]。然而,采用标准BB成像时,小转移瘤的准确诊断仍存在局限性,因为与较大病灶相比,它们通常表现为相对较弱的病灶-背景对比。我们的结果表明,将市售的基于DL的增强应用于BB图像可通过改善SNR、CNR和整体图像质量来降低假阴性率。
与其他直接整合到图像采集流程中(无论是在原始数据域还是k空间域)的基于DL的图像增强软件不同,本研究使用的软件以post-processing方式在医学数字成像和通信(DICOM)域中运行[19]。底层DL模型使用配对的靶图像和输入DICOM图像进行训练,这些图像分别由k空间数据及其多维退化版本按常规方式重建而来。DL算法已学习这些配对图像之间的关系,现利用这些关系来降低噪声并提高来自真实世界的未见DICOM图像的分辨率。除图像数据外,补充的上下文数据(包括扫描参数信息和预期降噪因子)也被纳入训练过程。上下文数据不仅帮助模型成功学习多种退化设置下的靶-输入关系,还使降噪水平得以调节。
通过图像增强处理,解剖结构被锐化,图像被去噪。既往研究使用相同软件获得了更高SNR和CNR的图像[27–31]。Yoo等人在DL增强腰椎MR图像上展示了对马尾的改进表征,Lee等人报告了DL增强膝关节MR图像具有相当的主观图像质量,同时分别平均缩短扫描时间32.3%和41.0%[27, 28]。其他人报告了用于诊断颞叶癫痫的海马病变显示更佳,或MR血管成像和颅内血管壁成像中血管显见度更高[29–31]。前两项研究侧重于增强加速图像以减少扫描时间,而我们使用该软件生成DL增强图像,其在图像质量和诊断准确性方面超越了标准图像,如同后三项研究一样。
然而,值得一提的是,现有伪影和未抑制的血管信号可能在同一过程中被强化。多项研究报告称,由于血管抑制不完全,BB上假阳性(FP)的风险高于常规梯度回波成像[7, 32]。随着SNR和CNR改善,应用DL后血管被误认为转移瘤的病例数可能增加。事实上,本研究中大多数FP病例是由于对残余血管信号的误判。尽管如此,DL图像的特异性、平均FP计数和伪影评分均与标准图像相当。
我们的研究存在若干局限性。首先,本研究为单中心回顾性研究,建议开展前瞻性多中心研究以验证普适性。其次,我们的研究使用单一市售的基于DL的MR图像增强软件来增强BB MR图像。未来需要将SwiftMR与其他市售基于DL的MR图像增强软件进行比较,以验证其临床实用性。第三,入组患者数量不够大。相对较小的样本量可能影响了一些分析,尤其是结果未达到统计学意义的亚组分析。第四,某些转移瘤病例被排除。尽管完全囊性或出血性转移瘤的发生率不可忽视,但由于难以界定强化部分而被排除。此外,病灶数超过10个的患者被排除,因为在此类情况下界定每个病灶过于困难。第五,脑转移瘤诊断的参考标准基于影像学发现建立,大多无病理证实。许多脑转移瘤患者通常不进行手术切除,因此,一位经验丰富的神经放射科医师全面审查了所有可用数据以建立替代标准。
总之,基于DL的增强提高了3D对比增强T1加权BB MR成像检测小脑转移瘤的图像质量和诊断性能。这可能对神经放射科医师是极大的支持,因为转移性脑肿瘤在大小、形状、数量和位置上多种多样,导致诊断困难。需要进一步的大规模前瞻性研究来验证DL增强BB图像在临床实践中的价值。
补充信息
电子补充材料
引用
- Oh G, Paik S, Jo SW, et al. Deep learning-based image enhancement for improved black blood imaging in brain metastasis. Eur Radiol. 2025. PMID: 40781512. doi:10.1007/s00330-025-11920-7
- 全文:PMC12953279(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12953279/
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。