深度学习增强超分辨率扩散加权肝脏MRI:改善图像质量、诊断性能并加速扫描
前瞻性纳入193例疑似肝病患者,比较常规DWI与深度学习重建DWI(信号平均次数减半、采集时间缩短约50%)。DWIDLR在肝脏及病灶SNR、CNR、病灶边界锐度及主观图像质量上均优于常规DWI,且基于ADC鉴别良恶性局灶性肝脏病变的AUC更高(0.921 vs 0.904,p<0.05)。
要点
- DWIDLR将信号平均次数由2次减为1次,平均采集时间由369.1±96.6 s缩短至212.3±46.7 s。
- DWIDLR的病灶 conspicuity、肝缘锐度及整体图像质量评分均高于DWIC(均p<0.01),伪影评分无显著差异(p=0.08)。
- DWIDLR基于ADC鉴别良恶性FLL的AUC为0.921,高于DWIC的0.904(p<0.05)。
核心结论
- 深度学习增强DWI在采集时间减半的同时,改善了肝脏MRI图像质量及鉴别良恶性局灶性肝脏病变的诊断性能。
研究设计与样本
- 前瞻性研究,连续纳入2025年1月至5月武汉协和医院疑似肝病患者,最终分析193例(男128例、女65例,年龄23-81岁)。
- 使用3.0 T MRI(Ingenia Elition X,Philips Healthcare)及32通道相控阵线圈,行呼吸触发脂肪抑制单次激发平面回波DWI,b值取0和800 s/mm²。
- DWIC采用2次信号平均,DWIDLR采用1次信号平均,两者均使用相同呼吸触发方案。
- 参考标准由两名分别有15年和25年腹部影像经验的放射科医师共识确定,依据典型MR表现并结合临床病史、病理及随访影像。
关键影像表现/征象
- DWIDLR的SNRLiver为39.6±14.3,高于DWIC的36.3±16.1(p<0.05);SNRLesion为63.5±26.3,高于DWIC的56.9±28.6(p<0.05)。
- DWIDLR的CNR为39.7±24.5,高于DWIC的33.8±27.6(p<0.05);ERD为2.38±0.36 mm,短于DWIC的3.34±0.39 mm(p<0.001)。
- DWIDLR的病灶显影评分为4.13±0.97,高于DWIC的3.73±0.95(p<0.001);肝缘及血管清晰度评分为3.84±0.99,高于DWIC的3.51±0.98(p<0.01)。
- DWIDLR的整体图像质量评分为4.01±0.94,高于DWIC的3.68±0.93(p<0.01);伪影评分两组无显著差异(DWIDLR 3.61±0.82 vs DWIC 3.84±0.99,p=0.08)。
诊断标准与关键数值
- 恶性病变ADC值在DWIDLR为1.18±0.25×10⁻³ mm²/s,低于DWIC的1.25±0.24×10⁻³ mm²/s(p<0.001);良性病变ADC值在DWIDLR为1.90±0.58×10⁻³ mm²/s,低于DWIC的1.92±0.58×10⁻³ mm²/s(p<0.001)。
- DWIDLR鉴别良恶性FLL的AUC为0.921,高于DWIC的0.904(p<0.05);敏感度为90.2% vs 80.5%,准确率为83.5% vs 81.9%。
- 亚组分析中,鉴别恶性病变(n=100)与FNH联合HH(n=56)时,DWIDLR的AUC为0.946,高于DWIC的0.928(p=0.046);敏感度均为96.4%(54/56),特异度、PPV、NPV及准确率均无显著差异(均p>0.05)。
- ADC阈值依据Youden指数确定;Bland-Altman分析显示两种技术ADC值中位偏倚为0.095(95%一致性界限:病灶内-0.2734至0.1689)。
临床应用与阅片要点
- DLR算法由Philips Healthcare提供,整合压缩感知与两个卷积神经网络(Adaptive-CS-Net用于稀疏约束重建,SuperRes-Net用于去噪、消除振铃伪影及提升分辨率)。
- DWIC图像分辨率经插值提升至352×288 mm,DWIDLR图像经深度神经网络达到352×288 mm;两者基础分辨率均为132×108 mm。
- 定量指标(SNRLiver、SNRLesion、CNR、ERD、ADC)的观察者间ICC为0.813–0.941,属良好至优秀。
- 作者认为DLR在ADC值上引入的轻微偏倚在临床可接受范围内,DLR衍生的ADC测量仍具临床可靠性。
局限性
- 原文指出DLR影响ADC值的机制尚不明确,可能需要更大样本的进一步详细研究来阐明这些效应。
全文中译12 节 · 点击展开
引言
目前,扩散加权成像(DWI)广泛应用于肝脏成像,在肝脏病变的检测和定性中发挥着关键作用[1]。DWI通过水分子扩散反映组织细胞密度[2]。水分子扩散程度通过表观扩散系数(ADC)进行量化,已被证明有助于区分良性和恶性病变[3]。此外,DWI和ADC测量越来越多地用于评估肿瘤对治疗的反应[4]。由于其在肝脏病变检测和鉴别方面具有高敏感性[1, 5],DWI现已被广泛整合到常规临床实践中,在评估局灶性肝脏肿瘤方面显示出显著优势[6]。
然而,由于DWI图像质量的局限性,在临床实践中实现高且一致的诊断质量仍然具有挑战性,尤其是肝脏成像,其受呼吸运动、心跳和胃肠道运动的影响[7]。此外,DWI的图像质量受b值影响。虽然较高的b值对于表征肝脏病变和提高恶性病变的特异性至关重要[8],但它们会导致图像质量下降和可重复性降低[9, 10]。
已有多种技术被引入以改善DWI图像质量,包括并行成像(PI)、压缩感知(CS)和呼吸触发[11–13]。虽然PI和CS旨在加速扫描,但它们可能引入信噪比(SNR)降低和残余伪影。呼吸触发虽对运动控制有效,但本质上延长了扫描时间[14]。深度学习重建(DLR)的最新进展在克服这些挑战方面显示出前景,在前列腺、脑和肌肉骨骼成像等领域改善了DWI图像质量[15–17]。它也被应用于肝脏DWI,据报道可提高肝脏病变的检出率[18]、图像质量[19]和扫描效率[20]。然而,此前DLR在肝脏DWI中的应用主要集中于去噪和加速,而非专门的超分辨率重建。这可能限制了提高空间分辨率和精细解剖细节清晰度的潜力。此外,关于在DWI中应用DLR能否增强局灶性肝脏病变(FLLs)诊断性能的研究尚缺乏。
在此,我们对肝脏DWI序列采用了一种新型深度学习算法,包括k空间重建、图像去噪和分辨率增强,旨在改善图像质量并缩短扫描时间。我们从定性和定量两方面评估了DWI的图像质量,比较了深度学习重建DWI(DWIDLR)与常规DWI(DWIC)。此外,我们旨在评估它们使用ADC值区分良性和恶性FLLs的诊断性能。
材料与方法
患者
本前瞻性研究经武汉协和医院机构审查委员会批准(批准号:No.2025-0666),所有患者均获得书面知情同意。连续纳入2025年1月至5月期间接受DWIC和DWIDLR检查的疑似肝病患者(包括肿瘤标志物升高、肝酶升高、已知肝外恶性肿瘤、超声或CT发现肝脏病变或肝外恶性肿瘤)。排除标准包括:(a)未发现肝内病变;(b)既往接受过抗肿瘤治疗;(c)无确诊诊断。流程图见图1。
肝脏MRI
肝脏MRI在3.0 T(Ingenia Elition X,Philips Healthcare)上使用32通道相控阵线圈进行。序列包括DWIC、DWIDLR、T2加权快速自旋回波图像,以及采用改良双回波2点Dixon技术的动态对比增强T1加权快速场回波序列[21]。在横断面上进行呼吸触发脂肪抑制单次激发平面回波DWI序列,使用三方向扩散梯度,采用两个b值:0和800 s/mm²。选择使用两个b值进行单指数ADC计算,因为该方法代表了临床肝脏成像中广泛接受的方法,可为病变表征提供足够的扩散对比度[6]。对于DWIC,我们使用两次平均以确保足够的图像质量,而对于DWIDLR,仅使用一次激励,扫描时间减半。这使得DWIDLR的平均采集时间为212.3 ± 46.7 s,而DWIC为369.1 ± 96.6 s(p < 0.001),详见图S3。两个序列均采用相同的呼吸触发方案以减少潜在的运动伪影。对比增强T1加权序列使用钆布醇(Gadovist,Bayer Schering Pharma)给药。采集方案参数列于表S1。
深度学习超分辨率算法由Philips Healthcare提供,旨在加速扫描并提高图像分辨率。简言之,该先进深度学习框架将压缩感知与两个专用卷积神经网络(CNN)相结合。第一个网络(Adaptive-CS-Net)基于已有方法[22, 23]设计用于非均匀随机欠采样的稀疏约束重建。第二个网络(SuperRes-Net)用于去噪、消除振铃伪影和提高图像分辨率的三重目的[24, 25]。两个序列的基础分辨率均为132 × 108 mm。DWIC图像的分辨率通过插值提高至352 × 288 mm,而DWIDLR图像通过深度神经网络达到352 × 288 mm的分辨率。深度学习框架详见补充材料和图S1。
图像分析
MR图像传输至工作站(IntelliSpace Portal 12.1版,Philips Healthcare)进行后处理。对于多发病灶患者,选择优先随访或治疗的目标病灶进行图像分析。
检测和表征局灶性肝脏病变(FLLs)的参考标准由两名放射科医师(P.F.和Y.L.,分别具有15年和25年的腹部影像学经验)协商确定。该标准依赖于经临床病史、病理学和随访影像学证实的典型MR影像学表现。良性病变,包括肝血管瘤(HH)、局灶性结节性增生(FNH)、腺瘤、脓肿和囊肿,采用既定标准[26]及其在随访MR影像学上的稳定性进行诊断。恶性病变的诊断,包括肝细胞癌(HCC)、胆管癌(CCA)和肝转移瘤(LMs),基于临床病史、MR影像学特征[27]、病理学和随访影像学上的间期进展。
对于DWI图像的定性分析,另外两名放射科医师(Z.L.和X.K.,分别具有5年和10年的腹部影像学经验),他们在日常临床实践中常规使用DWIC,以随机和盲法的方式独立审阅了两个数据集(DWIC和DWIDLR)。基于5点Likert量表(1,不可诊断;2,差;3,中等;4,好;5,优秀)评估了四个类别,包括整体图像质量、血管锐利度、伪影和病变显著性,详细定义见表S2。为尽量减少阅片者间变异并标准化其评估方法,他们接受了20例样本病例的培训课程。如果评分不同,放射科医师进行讨论并达成共识。
对于DWI图像的定量评估,将面积为100-300 mm²的感兴趣区(ROI)置于肝实质(右叶和左叶)中,小心避开肝内血管和胆管,并与肝脏边缘保持至少5 mm的距离。对于肝脏病变,ROI沿病变最大直径勾画,避开边缘。为减轻DLR对背景噪声的潜在影响,将ROI置于椎旁肌上,其标准差用作“内部噪声”的度量[19]。
信噪比(SNR)和对比噪声比(CNR)的计算如下:其中,分别代表正常肝脏和病变的平均信号强度,为椎旁肌的平均标准差。ROI设置见图S2。
病变的锐利度基于边缘上升距离(ERD)[28]评估。简言之,从病变到正常肝组织画一条垂直于病变边界的线。沿该线段建立信号强度轮廓,取平均值并绘制。ERD定义为病变信号强度水平的10%至90%之间的距离(图2)。测量由Matrix Laboratory(MATLAB,版本R2023b)执行。
对于ADC测量,在两个b值(b = 0和800 s/mm²)下获得基于像素的ADC图。同样的两名放射科医师(Z.L.和X.K.)通过在病变最大横截面积上绘制ROI来测量每个病变的平均ADC。为确保一致性,ROI置于DWI图像中,然后复制到ADC图中。两名放射科医师测量的平均ADC值用作代表值。对于在DW图像上显示不佳的病变,使用增强后T1加权图像确定位置。
统计分析
DWI图像的定量评估(SNRLiver、SNRLesion、CNR、ERD)和ADC值采用配对t检验进行比较,定性分析(5点Likert量表)采用Wilcoxon符号秩检验进行比较。
采用Bland-Altman分析评估两种不同DWI成像技术在所有病灶中测量ADC值的一致性。为进一步评估成像技术和病灶类型对ADC测量的影响,进行双因素方差分析,以成像技术(DWIC vs. DWIDLR)和病灶类型作为固定因素。为评估DWIC vs. DWIDLR基于ADC值鉴别良恶性FLL的诊断性能,进行受试者工作特征(ROC)分析。此外,为解决高ADC病灶(囊肿和脓肿)的潜在混杂效应,进行了一项特定的亚组分析,以评估在鉴别恶性病灶与最常见的实性良性病灶FNH和HH联合时的诊断性能。ADC阈值根据Youden指数确定。ROC曲线下面积(AUC)采用DeLong方法进行比较。
定性评分的观察者间一致性未计算,因为评分由共识确定,消除了初始观察者间的差异。对于定量指标(SNRLiver、SNRLesion、CNR、ERD和ADC)的观察者间一致性,采用组内相关系数(ICC)(< 0.5 = 差;0.5至< 0.75 = 中等;0.75至< 0.9 = 良好;≥ 0.9 = 优秀)。
p值< 0.05被认为具有统计学意义。所有统计分析均使用SPSS 22.0版(SPSS Inc.)进行。
结果
临床特征
最初共纳入374例疑似肝病并接受肝脏MRI的患者。其中,181例患者根据排除标准被排除(图1)。最终纳入193例患者(128例男性,65例女性;平均年龄56.8岁;年龄范围23-81岁)。105例患者患有恶性实性FLL,包括53例HCC、33例LM和19例CCA。其中,42例HCC、16例LM和12例CCA经病理证实,其余恶性病灶为临床诊断。88例患者患有良性病灶,包括38例HH、19例FNH、10例肝腺瘤、13例肝脓肿和8例肝囊肿。其中,2例肝腺瘤经病理诊断。其余良性病灶的诊断根据参考标准经临床确定。患者和病灶的特征总结于表1。
定性评估
在定性评估中,DWI使用DLR(3.61 ± 0.82)与DWI常规(3.84 ± 0.99,p = 0.08)之间的平均伪影评分未观察到显著差异。然而,DWI使用DLR在病灶显著性(4.13 ± 0.97 vs. 3.73 ± 0.95,p < 0.001)、肝脏边缘锐利度和血管清晰度(3.84 ± 0.99 vs. 3.51 ± 0.98,p < 0.01)以及整体图像质量(4.01 ± 0.94 vs. 3.68 ± 0.93,p < 0.01)方面显著优于DWI常规。这些发现表明DLR技术大幅改善了病灶的显著性、肝脏边缘和血管的清晰度以及整体图像质量。详细结果见表2和图3。代表性图像见图4。
定量评估
为确保准确的定量评估,11个病灶因图像质量不佳被排除,剩余182个病灶用于分析。使用DLR的SNR肝脏为39.6 ± 14.3,统计学上高于DWI常规中观察到的36.3 ± 16.1(p < 0.05)。同样,使用DLR的SNR病灶增至63.5 ± 26.3,而不使用DLR为56.9 ± 28.6(p < 0.05)。CNR也有改善,DWI使用DLR达到39.7 ± 24.5,而DWI常规为33.8 ± 27.6(p < 0.05)。此外,DLR增强图像中ERD降低,为2.38 ± 0.36 mm,而不使用DLR的图像为3.34 ± 0.39 mm(p < 0.001)。数据见表2和图5。所有定量指标在读者间可重复性的ICC为良好或优秀(0.813–0.941)。数据见表S3。
ADC值及诊断性能的比较
恶性和良性病变的ADC值在DLR增强序列中均较低(表3)。具体而言,恶性病变的ADC值在应用DLR后从无DLR时的1.25 ± 0.24 × 10-3 mm2/s降至1.18 ± 0.25 × 10-3 mm2/s(p < 0.001)。良性病变的ADC值在应用DLR后从无DLR时的1.92 ± 0.58降至1.90 ± 0.58(p < 0.001)(图6A)。Bland-Altman图显示中位偏倚为0.095(95%一致性界限:病变中为-0.2734至0.1689)(图6B)。使用双因素方差分析的进一步分析显示,病变类型对ADC值有显著影响(F = 124.924,p < 0.001),表明不同病变类型的ADC测量值存在实质性差异。然而,成像方法(DWIDLR vs. DWIC)对ADC值无显著影响(F = 3.273,p = 0.071),成像方法与病变类型之间也无显著交互作用(F = 0.181,p = 0.989),提示DLR对ADC值的影响在不同病变类型间是一致的。不同FLL的ADC值见图6C。
ROC分析显示,DWIDLR的AUC显著大于DWIC(0.921 vs. 0.904,p < 0.05)(图6D)。如表4所示,DWIDLR检测恶性病变的敏感度和准确率也更高(分别为90.2%和83.5%),而DWIC分别为80.5%和81.9%。这些发现表明,DLR显著提高了鉴别良恶性FLL的诊断性能。为解决高ADC良性病变可能带来的混杂影响,进行了亚组分析,以鉴别恶性病变(n = 100)与最常见的实性良性病变(FNH和HH合并,n = 56)。DWIDLR与DWIC相比显示出改善的诊断性能,AUC略高(0.946 vs. 0.928,p = 0.046),但在特异度、PPV、NPV或准确率方面未观察到显著差异(均p > 0.05)。两种方法的敏感度相同,均为96.4%(54/56),未进行统计学比较。详细指标见表4,亚组ROC曲线见补充图S4。
讨论
在本研究中,我们使用一种新型DLR算法实现了肝脏DWI成像的超分辨率重建,证明应用DLR的DWI显著提高了肝脏图像质量,即使在采集时间大幅缩短的情况下也是如此。此外,经DLR增强的DWI在基于ADC值区分良恶性FLL方面表现出强大的能力。
既往的DLR研究一致改善了图像质量[18–20,29,30],但往往缺乏专门用于增强精细细节的超分辨率组件。对于采用像素重排(pixel-shuffle)等超分辨率技术的研究[20],缺乏多尺度特征可能限制其有效性。本研究通过使用自适应CS-Net和SuperRes-Net进行有针对性的加速和分辨率增强,有助于弥补这些不足。自适应CS-Net整合了压缩感知和深度学习,用于多尺度去噪和数据一致性,在降低噪声的同时保留细节。SuperRes-Net通过提高空间分辨率进一步增强质量。总之,与DWIC相比,这种双CNN架构提高了SNR和CNR。定性分析显示,与DWIC相比,DWIDLR在病灶清晰度、肝脏边缘界定和血管勾勒方面更优,边缘上升距离(ERD)显著缩短,从而使病灶边界更清晰。尽管两种序列在运动伪影控制方面表现相当(p = 0.08,无统计学显著性),但DWIDLR仅以DWIC一半的NSA(1 vs. 2)即实现了这一效果。这可能归因于DL模型固有的减少振铃伪影的能力。
关于扫描效率,既往研究显示采用DLR的DWI序列结果不一;一些研究报告DLR缩短了采集时间[20],而另一些研究未发现显著变化[18]。这种差异与DWI的参数有关,如并行成像因子和信号平均次数(NSA)。理论上,降低这两个因子可以缩短扫描时间,但可能损害图像质量和SNR。我们在DWIDLR中降低NSA以缩短采集时间,同时改善图像质量和SNR,这主要归因于所采用的先进DLR算法。具体而言,RT-DWI序列的时间减半至仅1分48秒。尽管RT-DWI的实际扫描时间可能因患者呼吸配合情况而异,但DWIDLR仍始终能够缩短扫描时间。
已有报道称ADC值可反映肝脏病灶的组织学信息,并有助于鉴别良恶性病灶[31, 32]。目前关于DLR对肝脏ADC值影响的研究有限,且现有研究结果相互矛盾。一些研究观察到基于DL算法的ADC值往往较低[20, 30],而另一些研究报告了相反的结果[29]。据报道,ADC受多种因素影响,包括磁场强度、序列方案、b值、平均次数和DLR算法[19, 20]。我们的研究发现,在DWIDLR中,良性和恶性FLL的ADC值均较低(均p < 0.001)。然而,Bland-Altman分析表明两种技术之间的中位偏倚较小,总体一致性在临床可接受范围内。这表明,尽管存在轻微偏倚,基于DLR的ADC测量在临床上仍然可靠。此外,双因素方差分析显示不同FLL类型之间ADC值存在显著差异(F = 124.924,p < 0.001),但成像技术(DWIC或DWIDLR)对ADC值无显著影响(F = 3.273,p = 0.071),且成像方法与病灶类型之间无交互作用(F = 0.181,p = 0.989)。这种一致性表明DLR在不同FLL中均能保持可靠的ADC测量,支持其潜在临床应用。DLR影响ADC值的潜在机制尚不清楚;可能与其对图像噪声和伪影减少的影响有关,进而可能影响ADC计算。需要更大样本量的进一步详细研究来阐明这些效应。
由于ADC值已被广泛用于鉴别良恶性FLL[33–35],我们进一步比较了其诊断性能。DWIDLR的AUC显著大于DWIC,提示纳入DLR可增强区分恶性和良性FLL的能力。此外,DWIDLR的敏感度和准确度均显著高于DWIC(均p < 0.001),凸显了DLR提高整体诊断准确度的潜力。然而,DWIDLR的特异度和PPV略低,可能是由于该算法一致的ADC降低导致假阳性增加,从而降低了最佳阈值,并在所选ROC点上更倾向于敏感度而非特异度(表4)。这并不表明DL本身存在固有局限性,而是阈值依赖性效应;如果有临床需要,可通过调整来优化更高的特异度。然而,这一发现应谨慎解读,因为ADC值较高的良性病灶(如HH和肝囊肿)可能放大了良恶性组之间的差异,从而可能夸大整体诊断性能。排除高ADC病灶(如囊肿和脓肿)并聚焦于恶性 vs. 合并FNH和HH的亚组分析在一定程度上解决了这一问题,确认了DWIDLR的增强性能,其AUC更高且指标改善(表4),尽管其他性能指标未显示显著差异,可能是由于亚组样本量较小。
虽然我们的研究结果凸显了ADC在常见局灶性肝病变(FLL)常规临床实践中的实用性,但ADC在多参数工作流程中作为定量辅助手段发挥作用,而非作为独立标准。在我们的日常病例构成中,DLR保留了基于ADC的鉴别能力,并实现了相当或更好的分离度,支持其作为标准阅片的一部分使用。潜在应用场景包括不确定小病变的分诊和纵向监测,前提是采集和重建保持稳定。ADC结果应结合形态学、动态增强和临床信息进行解读。
我们的研究存在若干局限性。首先,由于缺乏罕见或不常见诊断,样本可能无法完全代表良恶性病变的范围;未来研究应确保病变类型的均衡代表性。其次,所有成像均使用特定的硬件和软件配置进行,这可能限制我们结果的适用性。最后,我们的研究未评估DLR在更高b值(例如b > 1000 s/mm²)下的性能;进一步研究正在进行中以解决该问题。
结论
总之,我们的研究表明,DLR增强的肝脏DWI允许显著缩短扫描时间,同时改善图像质量并增强鉴别良恶性FLL的诊断性能。
补充信息
电子补充材料
引用
- Zhao D, Kong X, Yang K, et al. Deep learning-enhanced super-resolution diffusion-weighted liver MRI: improved image quality, diagnostic performance, and acceleration. Insights Imaging. 2025. PMID: 41359109. doi:10.1186/s13244-025-02150-y
- 全文:PMC12686321(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12686321/
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。