3.0-T MR 深度学习重建用于三维钆增强高分辨率近各向同性胰腺成像
单中心回顾性纳入32例疑胰腺疾病患者,在3.0-T MR上对三维T1w-GRE动脉期高分辨率图像分别行深度学习重建(3D-DLR)与标准重建(SOC-Recon)。3D-DLR显著提高各胰腺节段SNR、病灶CNR、整体图像质量和病灶清晰度,但敏感度提升未达统计学显著。
要点
- 3D-DLR较SOC-Recon显著提高各胰腺节段SNR和病灶CNR(p<0.01)。
- 3D-DLR平均图像质量评分3.34 vs SOC-Recon 2.68(p<0.01)。
- 3D-DLR平均病灶清晰度2.30 vs SOC-Recon 1.85(p<0.01)。
核心结论
- 3D-DLR图像整体图像质量更高,并带来更好的病灶清晰度。
- 3D-DLR可用于钆增强胰腺三维T1w动脉期高分辨率图像,不增加采集时间,进一步提高图像质量和病灶清晰度。
研究设计与样本
- 单中心回顾性研究,纳入2021年12月至2022年6月在本中心3.0-T MR系统行胰腺MR检查并完成三维T1w-GRE动脉期高分辨率采集的患者32例(平均年龄62岁±12,16例女性)。
- 采用深度学习重建算法(3D-DLR)对动脉期图像额外进行离线重建,并与标准重建(SOC-Recon)比较。
- 由两名对重建类型和临床病史不知情的放射科医生独立评估图像质量、伪影和病灶清晰度(Likert量表)并计数病灶。
- 以两名放射科医生间隔1个月后对所有胰腺影像检查(US、CT、PET-CT、EUS、MRI)的共识复核结果为病灶检出的参考标准。
- 采集序列为胰腺中心轴向T1w梯度回波动脉期序列(Axial LAVA Fat Sat IV+),采集体素1.5×1.6×1.4 mm³,重建体素0.4×0.4×0.7 mm³,平均采集时间22 s(范围19–29 s)。
关键影像表现/征象
- 3D-DLR较SOC-Recon减少噪声并提高图像质量,病灶边缘更锐利、清晰度更好(图2–4示例)。
- 图2示例中胰腺头部病灶在3D-DLR图像上边缘更锐利、清晰度更好,伴对胰管的轻度占位效应,可疑胰腺导管腺癌。
- 图3示例中胰腺尾部肿块在3D-DLR图像上噪声更低、病灶对比度更高、边缘界定更好,最终诊断为胰腺实性假乳头状肿瘤。
- 图4示例中急性胰腺炎患者胰腺头部肿块在3D-DLR多平面重组图像上噪声更低、病灶边缘更锐利,最终诊断为胰腺导管腺癌。
诊断标准与关键数值
- 整体图像质量采用4点Likert量表(1:非诊断图像;2:差或低于平均;3:好或高于平均;4:优秀)。
- 伪影评估采用4点Likert量表(1:主要伪影致非诊断图像;2:中度伪影致一定诊断不确定性;3:轻微伪影对临床使用无不良影响;4:无伪影)。
- 病灶清晰度采用3点Likert量表(1:清晰度差;2:清晰度一般;3:清晰度优秀),仅对至少含一个病灶的MR检查评估。
- 3D-DLR较SOC-Recon显著提高各胰腺节段SNR:头颈部226.39 vs 147.93、体部214.59 vs 139.19、尾部199.32 vs 129.07(均p<0.01)。
- 3D-DLR较SOC-Recon显著提高病灶CNR:12.60 vs 11.15(p<0.01);敏感度读者1为1 vs 0.88、读者2为0.88 vs 0.83(均p=0.62)。
临床应用与阅片要点
- 3D-DLR可应用于钆增强胰腺三维T1w动脉期高分辨率图像而不增加采集时间,用于提高图像质量和病灶清晰度。
- 本研究未显示该算法在当前样本量下对诊断性能的优势。
局限性
- 本研究为单中心回顾性研究,在三级中心开展,可能引入选择偏倚。
- 研究仅在3.0-T MR扫描仪上进行,鉴于1.5-T扫描仪更广泛使用,限制了结果的普遍性。
- 队列较小,导致病灶数量少且统计效能有限。
- 部分胰腺导管腺癌患者因动脉期采用较厚层筛查肝转移而未纳入本研究。
- 本研究的3D T1w-GRE动脉期序列平均采集时间22 s相对较长,可能限制部分困难患者的可重复性。
全文中译12 节 · 点击展开
引言
MRI已发展成为胰腺成像中不可或缺的手段,与计算机断层扫描(CT)相辅相成[1]。目前,CT因其优异的的空间分辨率和可及性,是评估胰腺疾病的首要选择。尽管MRI的空间分辨率较低且易受运动伪影影响,但其具有无创、无辐射的优势,并具备更优的对比分辨率,有助于改善病灶表征[2, 3]。因此,MRI被广泛用于诊断时的问题解决工具以及随访常规中。
过去十年间,MR技术创新激增,从高密度线圈等硬件改进到涉及并行成像和压缩感知的软件开发。这些进步使得检查时间更快、空间分辨率提高、噪声降低,同时保持良好的图像质量水平[4, 5]。
研究表明,采用脂肪抑制的3D T1w梯度回波(GRE)动脉期序列对胰腺腺癌具有最佳的检出能力和显著性[6, 7]。并行成像和压缩感知进一步改善了该序列,可在可接受的采集时间内实现接近各向同性的空间分辨率[8, 9]。这使得3D图像可在所有平面上重新格式化而不丢失细节,改善了对病灶及其解剖关系的分析。然而,在固定扫描时间内使用高加速因子获取高分辨率图像可能导致信噪比(SNR)下降,并产生额外噪声和伪影[4, 10]。
MR技术的最新突破是深度学习重建(DLR)算法的开发,旨在与压缩感知和并行成像结合使用时改善图像质量并缩短采集时间[11, 12]。针对上腹部成像已开发了多种DLR实现方案,用于2D快速自旋回波(FSE)序列[13, 14]和弥散加权成像(DWI)序列[15, 16]。更近期,DLR已被适配应用于3D序列,如T2w磁共振胰胆管成像(MRCP)序列[17–19],以及MR小肠造影中的增强T1w GRE序列[20]。深度学习重建已被应用于胰腺成像的3D T1w GRE增强图像上进行超分辨率重建,旨在缩短采集时间[21–23]。在上述研究中,所有采集均在1.5 T下使用2点DIXON技术进行脂肪抑制。
本研究旨在3.0 T下评估将深度学习重建算法应用于动脉期3D T1w GRE脂肪饱和高分辨率序列与标准护理重建算法相比的影响。基于既往结果,我们假设采用深度学习重建的3D T1w GRE高分辨率动脉期序列与标准护理重建相比,将展示更好的图像质量、病灶显著性和检出能力,且观察者间一致性相似。
材料与方法
患者人群
本单中心回顾性研究获得我院机构审查委员会批准(GERM IRB 00012157)。书面知情同意被豁免,但向所有患者发送了无异议表。纳入标准为在我院3.0-T MR系统上接受标准胰腺MR检查并注射钆对比剂的患者。
2021年12月至2022年6月期间,本中心共有109例患者连续接受增强胰腺MR检查。8例患者在1.5-T MR系统上检查。在3.0-T MR系统上扫描的101例患者中,22例患者无需注射对比剂。因此,共确定79例受试者纳入研究。19例患者接受了用于肝脏评估的多动脉期序列,1例患者在动脉期采集时胰腺覆盖不完整,14例患者因3D复数k空间离线存储不可用而无法重建,3例患者注射时间错误,8例患者因屏气失败被排除,2例患者反对本研究。最终纳入32例患者。研究流程图见图1。
MR方案
所有胰腺检查均在3.0-T全身临床MR系统(SIGNA Premier;GE HealthCare)上进行,使用专用的30通道前部相控阵接收线圈,联合嵌入MR检查床的60通道后部相控阵接收线圈(GE HealthCare AIRTM Coils)。根据序列类型使用呼吸绑带、导航回波或屏气技术以确保足够的图像质量。此外,每位患者在检查前立即接受静脉注射解痉剂(Glucagen;1 mg/mL;Novo Nordisk)以减少肠蠕动。
本中心执行的标准MR胰腺方案包括注射前几个序列:DWI序列(三个方向和2个b值;b = 50 s/mm²和b = 800 s/mm²),以及带和不带脂肪抑制的T2和T1加权序列。
以0.1 mmol/kg体重的剂量静脉注射钆基细胞外对比剂(Dotarem®;Guerbet或Gadovist®;Bayer),随后以30 mL生理盐水冲洗。然后采集数个屏气T1w梯度回波序列以成像不同的循环期相(动脉期(20 s)、门静脉期(60–70 s)和延迟期(5 min))。我们关注的序列为动脉期以胰腺为中心的轴位T1-w梯度回波序列(Axial LAVA Fat Sat IV+),采集体素大小为1.5 × 1.6 × 1.4 mm3,重建体素大小为0.4 × 0.4 × 0.7 mm3。关于该序列的更多细节见表1。
MR检查以数个MRCP序列(3D、2D、自由呼吸和/或屏气,取决于患者状况)结束,以在需要时成像胰胆管。
深度学习重建
使用供应商提供的3D AIRTM Recon DL重建算法(3D DLR)原型对动脉期采集数据进行离线重建。与我们之前的2D AIRTM Recon DL版本[11]类似,我们的3D DLR原型由一个前馈深度卷积神经网络(CNN)组成,嵌入在MR图像重建路径中,从复数原始数据生成增强图像。该深度学习算法经过设计和训练,可在三个方向上重建具有更高SNR和更少截断伪影的插值幅度图像。为实现SNR增强,CNN并不直接生成高SNR图像,而是估计图像噪声。然后根据用户偏好通过用户指定的去噪水平(0%至100%之间的标量参数)来选择降噪程度。这通过回加少量受控水平的噪声避免了盲目激进去噪,使其在肉眼看来更加自然。本研究中降噪因子设为75%,依据是我们中心既往使用2D AIRTM Recon DL版本的经验以及对未纳入本研究的10例患者的初步测试。该网络通过监督学习方法进行训练,使用了超过10,000对接近完美(高分辨率、低噪声)和典型(低分辨率、有噪声)的图像,涵盖广泛的类型。使用了图像增强技术,包括旋转、翻转、强度缩放和加性噪声,最终形成了一个极其庞大且多样化的训练数据库,包含440万张独特图像以增强鲁棒性[11]。2D和3D网络以类似方式训练;然而,用于训练两种算法的数据针对2D和3D成像中使用的独特采集方法进行了适配。
图像分析
图像在专用图像归档和通信系统(PACS)工作站(Carestream、Philips)上于诊断质量显示器上独立审阅。
两名放射科医师(一名具有30年腹部影像经验的资深放射科医师,读者1,M.Z.;一名具有4年经验的初级放射科医师,读者2,S.G.)独立审阅3D T1w GRE动脉期序列,对重建技术和患者临床病史设盲。放射科医师在不同场次进行审阅,以尽量减少疲劳和习惯的影响。此外,序列经过随机打乱以减少偏倚,即一个场次可能包含随机数量的标准重建集和深度学习重建集。
对于病灶检测,参考标准基于两名放射科医师在1个月洗脱期后对所有专门针对胰腺的影像学检查(US、CT、PET-CT、EUS、MRI)进行的共识审阅而建立,以减少回忆偏倚。为此,每位患者所有最初进行的MR序列均可供使用,包括标准重建的3D T1w GRE HR动脉期,但不包括深度学习重建。
整体图像质量采用4点李克特量表进行主观评估(1:非诊断性图像,2:差或低于平均水平,3:好或高于平均水平,4:优秀)。伪影评估同样采用4点李克特量表(1:因严重伪影导致非诊断性图像,2:因中度伪影导致部分诊断不确定性,3:轻微伪影,对临床使用无不良影响,4:无伪影)。对胰腺病灶进行计数(最多5个),并记录每种重建技术下每个病灶的位置。对于包含至少一个病灶的MR检查,采用3点李克特量表评估整体病灶显示清晰度(1:显示差,2:显示一般,3:显示优秀)。
研究协调员(S.G.)通过计算三个胰腺区域的信噪比(SNR)以及病灶与正常胰腺实质之间的对比噪声比(CNR)来完成图像质量的定量分析。对每位患者在胰腺头、体、尾部的相同位置,分别针对标准重建和深度学习重建,绘制相同大小和形状的感兴趣区(ROI)。对于已识别病灶的患者,还在病灶内部(若有多发病灶则选取较大者)及邻近实质内绘制相同大小和形状的ROI。测量每个ROI的平均信号强度,并将放置在患者体外靠近皮肤处的另一ROI的信号强度标准差作为噪声(补充图)。每个胰腺位置的SNR通过平均信号强度除以噪声计算得出。病灶与正常胰腺实质之间的CNR定义为病灶与邻近实质平均信号强度之差除以噪声。
统计分析
由于患者数量较少,所有连续数据在分析前使用Shapiro–Wilk检验进行正态性检验,并以均值 ± 标准差表示。两种重建之间的SNR和CNR比较采用配对t检验。
定性评分(整体图像质量、图像伪影和病灶显示清晰度)以均值表示,并使用Wilcoxon符号秩配对检验进行统计分析。
两位放射科医师在图像质量、伪影存在及病灶显示清晰度方面的观察者间一致性,针对每个序列使用加权Cohen kappa(κ)检验进行评估。κ值 ≤ 0.20表示轻微一致性;0.21–0.40为一般一致性;0.41–0.60为中等一致性;0.61–0.80为高度一致性;0.81–0.99为几乎完全一致。
每位阅片者对检测至少一个胰腺病灶的敏感性和特异性使用McNemar卡方检验进行比较。
所有统计检验均在p < 0.05的显著性水平下进行。统计分析使用R软件完成。
结果
患者特征
共纳入32例患者(平均年龄62岁 ± 12,女性16例)进行后续深度学习图像重建和分析。研究人群特征总结于表2。3D GRE动脉期的平均采集时间(屏气持续时间)为22秒(范围:19–29秒)。24例患者中共计数38个病灶,8例患者无任何病灶。
定性图像分析
定性图像分析的结果总结于表3。与SOC-Recon相比,3D DLR在读者1和读者2中均显著提高了整体图像质量(分别为3.23 vs 2.32和3.45 vs 3.03,p < 0.01)。3D DLR在一个读者中显著减少了伪影(3.23 vs 2.81,p < 0.01),但在另一个读者中未显著减少(3.29 vs 3.19,p = 0.39)。
根据两位读者的评估,与SOC-Recon相比,3D DLR的病灶显著性显著更好(2.39 vs 1.88和2.20 vs 1.81,p < 0.01)。图2、图3和图4展示了三个示例。
整体图像质量的观察者间一致性在SOC-Recon中为轻微(k = 0.09),在3D DLR中为中等(k = 0.54)。运动伪影的一致性在SOC-Recon中为中等(k = 0.48),在3D DLR中为高度一致(k = 0.69)。病灶显著性的一致性在SOC-Recon(k = 0.41)和3D DLR(k = 0.29)中均为中等。
定量图像分析
与SOC-Recon相比,3D DLR显著提高了每个胰腺部位的信号噪声比(头颈部226.39 vs 147.93,体部214.59 vs 139.19,尾部199.32 vs 129.07,均p < 0.01)。与SOC-Recon相比,3D DLR检测到的病灶的对比噪声比也显著改善(12.60 vs 11.15,p < 0.01)(见表4和图5)。
病灶检测的诊断准确性
与标准重建(SOC-Recon)相比,3D DLR提高了阅片者1和阅片者2的敏感度(分别为1 vs 0.88和0.88 vs 0.83,p = 0.62和p = 0.62),而DLR对阅片者1的特异度较低(0.43 vs 0.57,p = 0.48和0.86 vs 0.86)。
讨论
我们的研究表明,与标准重建相比,3D DLR显著提高了胰腺的信噪比和病灶的对比噪声比,从而获得更高的病灶显著性和更好的整体图像质量。尽管图像质量有所改善,但本研究在当前样本量下未显示该算法在诊断性能方面的优势。
关于如何在上腹部成像中实现各向同性或近各向同性的3D T1w GRE增强序列的研究有限。Kim等人[8]的一项研究表明,使用压缩感知获得的覆盖肝脏和胰腺的高平面空间分辨率图像,与标准分辨率成像相比,器官边缘锐度显著提高,运动伪影未增加但噪声增加,尽管该研究未涉及病灶检测或显著性。Sun等人[24]的另一项针对肝脏的研究比较了使用压缩感知联合并行成像采集的各向同性空间分辨率(1.1 mm3体素大小)钆增强晚期3D T1 GRE图像与仅使用并行成像获得的标准空间分辨率(0.9 × 0.9 × 4 mm3)图像,研究对象为肝细胞癌患者。该研究未发现整体图像质量的显著差异,但各向同性图像显示出更好的肝脏-病灶对比度,尽管由于采集时间较长(16 s vs 12 s)而出现更多运动伪影。信噪比和病灶可检测性未进行评估。如两项研究所述,压缩感知有助于增加解剖覆盖范围和空间分辨率,同时保持较短的采集时间以获得合理的屏气持续时间和良好的图像质量。
既往研究强调了深度学习应用于1.5-T MR扫描仪上胰腺3D梯度回波成像的实用性。在Chaika等人[22]进行的一项纳入50例胰腺病变患者的回顾性系列研究中,深度学习被应用于已重建的图像以提高空间分辨率。经深度学习处理的3D T1w GRE两点法DIXON图像显示出更优的病灶可检测性、更低的噪声水平、胰腺边缘和血管的锐度及对比度增强,以及相比标准重建更高的诊断信心。然而,该研究未侧重于病灶检测,因为纳入的患者均至少存在一个病灶,且仅在1.5-T MR系统上进行,体素大小为1.19 × 1.19 × 3 mm3,而我们的研究在3.0 T下进行,采集时间相似,但重建体素大小为0.4 × 0.4 × 0.7 mm3。
我们研究中使用的DLR算法也可应用于腹部影像其他区域中采用近似各向同性空间分辨率的3D T1w GRE序列,例如克罗恩病患者的MR小肠造影[20]。在Son等人的这项研究中,该应用已显示出相似的结果,与标准诊疗重建相比,信噪比、整体图像质量、锐利度和对比度均改善,同时感知运动伪影减少、噪声降低,体素大小为1.3 × 1.5 × 1.6 mm3。低信噪比通常是高空间分辨率MR成像的一个局限。DLR算法去噪并提高信噪比的能力在我们的研究中得到进一步证实,与MR小肠造影所需的较低空间分辨率和较大视野相比,我们在胰腺成像中使用了更高的空间分辨率并配合更小的成像体积。
Chaika等人[23]最近的一项研究显示,前瞻性使用深度学习重建(DLR)可使1.5-T扫描仪上采用Dixon脂肪抑制的T1加权容积插值屏气检查(VIBE)的采集时间显著缩短。该方法改善了图像质量、诊断信心和病灶显著性,同时减少了运动伪影和噪声。然而,他们的方法与我们的不同之处在于,未将DLR应用于动脉期采集,且侧重于缩短采集时间而非实现高空间近似各向同性分辨率,重建体素大小为0.6 × 0.6 × 3 mm3。此外,他们出现了可能与部分傅里叶设置相关的轻微混叠伪影,已知该设置会诱发吉布斯振铃。
未来研究可侧重于开发专门针对高度欠采样数据的深度学习重建算法,以生成高度加速的序列,在重建时无欠采样伪影,同时增强信噪比(SNR)和空间分辨率。
我们的研究有几项局限性。第一,这是一项在三级中心进行的单中心回顾性研究,可能引入选择偏倚。第二,研究仅在3.0-T MR扫描仪上进行,鉴于1.5-T扫描仪更为普遍,这限制了这些发现的普适性。第三,队列较小,导致病灶数量少且统计效能有限;然而,我们认为增加队列规模不会改变我们的结果。虽然信噪比和对比噪声比的统计结果可能略有改善,但由于基线序列已精细优化,病灶检出仍将相似。一些诊断为胰腺腺癌的患者未被纳入本研究,原因是动脉期使用了较厚层厚筛查肝转移。最后,我们的3D T1w GRE动脉期序列相对较长,平均采集时间为22秒,这可能限制其对一些具有挑战性患者的可重复性。
总之,本研究结果表明,深度学习重建可用于具有近似各向同性空间分辨率的3D T1 GRE对比增强胰腺成像,以进一步改善图像质量和信噪比,同时减少伪影。它能够获得高质量的3D重组图像和更高的病灶对比噪声比,从而使病灶更显著。
补充信息
电子补充材料
引用
- Guan S, Poujol J, Gouhier E, et al. 3D gadolinium-enhanced high-resolution near-isotropic pancreatic imaging at 3.0-T MR using deep-learning reconstruction. Insights Imaging. 2025. PMID: 40991093. doi:10.1186/s13244-025-02066-7
- 全文:PMC12460215(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12460215/
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。