文献速递心血管MR

基于深度学习的重建算法改善晚期钆增强图像质量及其对心肌瘢痕定量的影响

Improvement of late gadolinium enhancement image quality using a deep learning-based reconstruction algorithm and its influence on myocardial scar quantification.
PubMed 文献 · Eur Radiol · 2020-11-21

单中心观察性研究纳入60例疑似或已知心肌病患者,比较常规重建与深度学习重建(DLRecon)的LGE图像质量及瘢痕定量。DLRecon 75%降噪水平主观图像质量评分从3.2±0.5升至3.7±0.6(p<0.001),但基于标准差阈值的瘢痕定量随降噪水平升高而增大,FWHM法不受降噪水平影响(p=0.06)。作者认为使用深度学习降噪重建时应采用FWHM法量化瘢痕。

要点

  • DLRecon 75%降噪水平主观图像质量评分3.7±0.6,高于常规LGE的3.2±0.5(p<0.001)
  • 100%降噪水平下2SD、4SD、6SD法瘢痕面积较常规LGE分别增加36%、87%、138%(均p<0.001)
  • FWHM法瘢痕定量不受降噪水平影响(p=0.06),与视觉评估一致性最好(p=0.49)

核心结论

  • DLRecon可显著改善LGE图像质量,但对瘢痕定量的影响取决于所用量化技术。
  • 作者认为FWHM法因不依赖降噪水平而更可取,临床医生应意识到深度学习重建算法对瘢痕定量的影响。

研究设计与样本

  • 单中心观察性研究,2019年3月至2019年4月在Erasmus Medical Center连续纳入60例因临床诊疗行CMR并含LGE图像的疑似或已知缺血性或非缺血性心肌病患者(46±17岁,50%男性)。
  • 采用1.5T临床MR系统(SIGNA Artist,GE Healthcare),LGE为屏气二维分段反转恢复梯度回波序列,注射钆对比剂(0.15–0.2 mmol/kg;Gadovist,Bayer Healthcare)后10–20分钟采集。
  • 同一原始数据分别行常规重建和DLRecon原型(GE Healthcare)重建,降噪水平设为25%、50%、75%、100%。
  • 30例存在晚期钆增强的患者中,以2SD、4SD、6SD阈值法、FWHM法及手动法量化瘢痕占左心室百分比。

关键影像表现/征象

  • DLRecon图像边缘更锐利、截断伪影减少,但环绕和鬼影伪影更明显(可见伪影评分3.7±0.5 vs 3.4±0.7,p<0.001)。
  • DLRecon图像中抑制心肌与高增强心肌的区分度无改善(3.3±0.5 vs 3.3±0.6,p=0.30)。
  • 标准LGE与DLRecon图像间LGE的存在及视觉范围无差异。
  • 有高增强的30例患者中,瘢痕信噪比和瘢痕-远程心肌对比噪声比分别增加121%和127%(均p<0.001)。

诊断标准与关键数值

  • 主观图像质量采用5分Likert量表(1=差,2=一般,3=好,4=很好,5=优秀),DLRecon 75%降噪水平评分3.7±0.6 vs 常规LGE 3.2±0.5(p<0.001)。
  • 图像锐度(1/cm)常规LGE 0.46±0.11 vs DLRecon 25%、50%、75%、100%降噪水平分别为0.58±0.18、0.59±0.17、0.59±0.17、0.59±0.17(均p<0.001)。
  • 100%降噪水平下2SD法瘢痕面积较常规LGE增加36%,4SD法增加87%,6SD法增加138%(均p<0.001)。
  • FWHM法瘢痕面积在标准LGE与100%降噪水平图像间差异无统计学意义(增加9%,p=0.053;Friedman检验p=0.06)。
  • 与手动LGE量化相比,FWHM法一致性最好(p=0.49);缺血性心肌病患者中手动测量与6SD法一致(p=0.48),FWHM法梗死面积偏小(p=0.017);非缺血性心肌病患者中手动测量与FWHM法最接近(p=0.41)。

临床应用与阅片要点

  • 作者认为使用基于降噪的深度学习算法时,推荐采用FWHM法量化瘢痕面积,因其对噪声水平最不敏感。
  • 作者指出使用不同标准差阈值法定量瘢痕时需特别谨慎,因先进图像增强算法对这些方法的結果影响较大。
  • 作者提醒临床医生应意识到深度学习重建算法对瘢痕定量的影响,因为此类算法正在被使用。

局限性

  • 原文未报告局限性
全文中译16 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. 2020 Nov 21;31(6):3846–55. doi: 10.1007/s00330-020-07461-w

引言

心肌纤维化是缺血性心肌病(ICM)和非缺血性心肌病(NICM)患者的常见表现[1, 2]。心血管磁共振成像(CMR)是通过晚期钆增强(LGE)成像可视化心肌纤维化的金标准技术[3–6]。确定LGE的存在和范围具有临床重要性,因为研究已显示其在预测不良心脏事件(包括室性心律失常和心源性猝死)方面的预后价值[7–9]。除视觉评估用于LGE分析外,还有几种基于阈值的技术可量化心肌纤维化的程度[10]。这些基于阈值的技术基于纤维化心肌与正常远端心肌之间信号强度(SI)的差异[5]。在其中一种技术中,高强化程度通过使用不同的SI阈值来确定,如高于远端正常心肌2、4或6个标准差(SD)。另一种称为半高全宽(FWHM)的量化技术假设阈值取瘢痕内最大信号的一半。对量化技术的偏好因心脏疾病而异:FWHM常用于ICM,SD阈值技术常用于NICM [3, 5, 11]。

尽管有这些半自动技术,由于LGE图像的噪声、分辨率和强度水平的变异性以及患者间的差异(例如,心肌瘢痕的分布模式和范围),各量化方法之间LGE范围的较大差异仍然存在[3–5, 12, 13]。通过解决这些变异性中的一个或多个,CMR图像的诊断准确性可能会提高。这可以通过获取高分辨率和高信噪比(SNR)的图像来实现。然而,对于CMR中常用的标准屏气成像,由于时间有限,无法通过增加平均次数(NEX)来提高SNR [14]。近年来,人们对深度学习(DL)在医学图像重建、增强或分析方面的开发和应用产生了兴趣[4, 15–17]。在此,我们研究了一种新的DL重建算法(DLRecon),旨在使用去噪技术重建高SNR图像同时保留图像细节。本研究的目的是确定这种基于DL的磁共振成像(MRI)重建算法对LGE图像质量的影响及其对ICM和NICM患者心肌瘢痕量化的影响。

材料与方法

研究人群

在这项单中心观察性研究中,我们筛选了2019年3月至2019年4月期间在荷兰鹿特丹Erasmus医学中心因确诊或疑似ICM或NICM而被转诊进行CMR的患者。共纳入60例连续患者,这些患者在临床诊疗过程中接受了包括LGE图像在内的CMR检查。未使用其他纳入或排除标准。根据机构审查委员会的意见,本研究不符合受《涉及人类受试者的医学研究法案》约束的研究要求。

DL图像重建

供应商提供的DLRecon原型(GE Healthcare)使用前馈深度卷积神经网络(CNN),可重建具有更高信噪比(SNR)、减少截断伪影和更高空间分辨率的图像[18]。该网络架构为残差编码器,其变体已被证明对高度相关任务有效,包括图像去噪、超分辨率和JPEG去块效应[19]。该CNN集成在标准重建流程内;接受原始、未滤波的复值输入图像和期望的降噪(NR)水平;并生成改善后的输出图像。改善后图像的噪声方差按所请求的NR水平降低,以0%至100%之间的百分比表示,以适应使用者偏好。NR 100%对应于从图像中去除所有预测噪声。该网络还识别出尖锐边缘附近出现的吉布斯振铃,并实现去振铃以提高图像锐度。结果是获得具有更高SNR和边缘锐度、几乎无截断伪影的图像。该CNN在超过10,000个核中包含超过440万个可训练参数。它采用监督学习方法训练,使用代表接近完美和常规MRI图像的成对图像。接近完美的训练数据由具有最小振铃和极低噪声水平的高分辨率图像组成。常规训练数据使用既定方法从接近完美图像合成,以创建具有更多截断伪影和更高噪声水平的较低分辨率版本。采用了涵盖广泛图像内容的多样化训练图像集,以使CNN能够在所有解剖结构上具有泛化能力。应用了图像增强,包括旋转和翻转、强度梯度、相位操作和额外高斯噪声,以增加稳健性,从而形成包含400万个唯一图像/增强组合的训练数据库。该网络通过ADAM优化器以梯度反向传播进行训练。该DLRecon方法针对二维(2D)解剖序列开发,并与许多标准序列和选项兼容,包括幅度LGE短轴(SA)视图、长轴视图、快速单次采集和相位敏感反转恢复图像。

CMR患者方案

CMR检查在1.5T全身临床MR系统(SIGNA Artist,GE Healthcare)上进行,使用专用前部阵列线圈、心电图门控和屏气技术。成像方案包括平衡稳态自由进动 cine 图像和2D LGE成像。LGE成像在静脉给予钆基对比剂(0.15至0.2 mmol/kg;Gadovist,Bayer Healthcare)后10–20分钟进行,使用屏气2D分段反转恢复梯度回波脉冲序列并采用幅度重建。LGE图像在标准长轴和SA视图中获得,覆盖从基底到心尖。典型扫描参数为层厚8 mm、层间距2 mm、TR/TE 6.5/3.0 ms、翻转角25°、ASSET 1.5、NEX 1、视野256–410 × 320–430 mm、采集矩阵200 × 192,并重建至像素大小1.3–2.1 × 1.1–1.5 mm。如有必要,调整预设反转时间以抑制正常心肌信号。

LGE图像从同一源数据多次重建:一次使用厂商标准重建,然后再次使用厂商提供的DLRecon原型进行重建。在本研究中,LGE图像以25%、50%、75%和100%的NR水平进行重建。

体模扫描方案

进行静态体模扫描,应用25%、50%和75%的可调NR水平,以展示不同NR水平与SNR改善之间的关系。扫描在同一台1.5T MR系统上进行,使用掺杂静态体模和32通道前阵列线圈。采用二维分段反转恢复梯度回波脉冲序列配合幅度重建,反转准备时间为110 ms,模拟心率100 bpm,其余参数与患者研究相同。为量化NR水平,数据采集以1至16 NEX的多次平均重复进行。平均SI和SD通过在体模外绘制三个圆形感兴趣区(ROI)取平均值测量,SNR根据IEC标准[20]按SI与SD的商计算。

CMR分析

分析所有二维SA LGE图像,以确定DLRecon对图像质量和LGE定量的影响。在标准LGE图像和75% NR水平的DLRecon图像上评估图像质量和心肌归零。这些评估由两位经验丰富的影像心脏病学家(A.H.和C.H.)和一位经验丰富的研究者(N.vdV.)在所有60例患者中盲法独立进行,使用5点Likert量表(1=差,2=一般,3=好,4=很好,5=优秀)。此外,还对伪影可见性(1=严重图像伪影,2=中重度图像伪影,3=中度图像伪影,4=轻度图像伪影,5=无图像伪影)和高强化存在(是或否)进行评分。同时,作为更客观的图像质量方法,使用开源软件ImageJ(美国国立卫生研究院)在标准LGE图像以及25%、50%、75%和100% NR水平的DLRecon图像中计算图像锐度。在每个心肌小梁最少的左心室中部SA切面中,沿室间隔心肌选择单条轮廓线(图1)。该轮廓线在标准LGE图像和DLRecon图像之间复制。锐度通过取轮廓线像素强度范围20%至80%之间距离的倒数计算[21]。

此外,在高强化患者(n=30)中测定SNR和对比噪声比(CNR),作为图像质量的标准。这些测量通过在远端心肌、高强化心肌和患者体外空气信号中绘制ROI进行。瘢痕的SNR测量为高强化心肌的平均SI除以患者体外空气信号的SD。瘢痕与远端心肌之间的CNR计算为(高强化心肌平均SI − 远端心肌平均SI)/(1.5 × 患者体外空气信号的SD)[5]。

在同一组存在高强化患者亚组中,针对晚期钆增强(LGE)分析进行了额外分析。使用专用软件(QMass软件8.1版,Medis Medical Imaging Systems bv),在短轴LGE图像的每一层上手动勾画左心室(LV)的心外膜和心内膜轮廓(不包括乳头肌)。随后,在视觉上高强化最明显的短轴层面上自动勾画两个感兴趣区(ROI),一个位于高强化心肌,一个位于正常远端心肌。经视觉检查并在必要时手动调整后,将轮廓从标准LGE图像复制到噪声降低(NR)水平为25%、50%、75%和100%的DLRecon图像之间。此后,使用不同的定量技术将高强化心肌自动量化为LV的百分比:以远端心肌上方2SD、4SD和6SD为阈值的阈值技术以及FWHM法[10]。对于手动技术,通过视觉评估每个短轴层面来勾画高强化心肌。

图1 图像锐度评估。标准晚期钆增强(LGE)图像和噪声降低水平为25%、50%、75%和100%的DLRecon图像中心内膜边界锐度测量示例(上排)。对于每个剖面(示例见左下),图像锐度通过取剖面总强度范围(r)的20%至80%之间距离(d)的倒数来计算。所有60例患者的图像锐度(1/cm)显示于箱线图中(右下)。基于深度学习的重建算法使图像锐度显著提高。*与标准LGE相比有显著差异;p < 0.001) 查看原图 ↗

统计分析

所有连续数据在分析前根据患者数量采用Kolmogorov-Smirnov检验或Shapiro-Wilk检验进行正态性检验,并酌情以均值±标准差或中位数(四分位距(IQR))表示。分类变量以数量(%)表示。Wilcoxon符号秩检验用于比较图像质量、伪影严重程度、心肌归零方面的差异,以及比较不同定量技术之间的LGE范围。组内相关系数(ICC)用于评估观察者之间的一致性,其解释如下:< 0.2 = 差,0.21–0.40 = 一般,0.41–0.60 = 中等,0.61–0.80 = 好,0.81–1.00 = 极好。配对t检验用于比较图像锐度。对于每种定量方法,通过执行Friedman检验比较标准LGE图像与不同NR水平图像之间LGE占LV百分比的数量。如果发现显著差异,则执行带有Bonferroni校正的Wilcoxon符号秩检验,以确定标准LGE图像与不同NR水平图像之间的确切差异。所有分析均为双尾;经多重检验校正后,p < 0.0125被视为具有统计学显著性。统计分析使用SPSS(21版,IBM SPSS Statistics,IBM公司)进行。

结果

体模扫描

图2展示了在无和有DLRecon且NR水平为25%、50%和75%时SNR与NEX之间的关系。如图2所示,SNR与NEX之间呈平方根关系。NR水平为50%或75%(且NEX为1)的图像SNR分别与无NR时4 NEX或16 NEX的图像相当。因此,采用50%或75% NR因子时,与标准LGE图像相比,SNR分别增加了1.8倍和3.0倍。

图2 根据不同DLRecon降噪水平分层的信噪比与平均次数之间的关系。标准晚期钆增强(LGE)图像和降噪(NR)水平为25%、50%和75%的深度学习重建(DLRecon)图像中信噪比与平均次数之间的平方根关系 查看原图 ↗

患者扫描的图像质量

基线患者和CMR特征见表1。研究组的平均年龄为46 ± 17岁,50%为男性。

对所有患者的标准LGE图像和NR水平为75%的DLRecon图像进行了图像质量、伪影和心肌归零评估。三位观察者之间的一致性为:图像质量为中等至良好(标准LGE图像的ICC为0.52,NR水平为75%的DLRecon图像为0.62),伪影可见性为中等(分别为ICC 0.58和0.59),心肌归零为一般至中等(分别为ICC 0.39和0.44)。应用DLRecon方法后图像质量显著改善,平均图像质量从3.2 ± 0.5提高至3.7 ± 0.6(p < 0.001,图3)。然而,使用DLRecon时伪影的可见性,尤其是卷褶和鬼影伪影被凸显(3.7 ± 0.5 vs. 3.4 ± 0.7,p < 0.001)。此外,在DLRecon图像中,抑制心肌与高增强心肌之间的区分度未获改善(3.3 ± 0.5 vs. 3.3 ± 0.6,p = 0.30)。标准图像与DLRecon图像之间LGE的存在及视觉范围无差异。

除图像质量显著提高外,标准LGE图像与NR水平为25%、50%、75%和100%的DLRecon图像之间的图像锐度也显著增加(分别为0.46 ± 0.11 vs. 0.58 ± 0.18 vs. 0.59 ± 0.17 vs. 0.59 ± 0.17 1/cm,所有p值 < 0.001;图1)。在高增强患者(n = 30)中,SNRscar和CNRscar-remote分别增加了121%和127%(均p < 0.001)。有和无DLRecon的LGE图像示例见图4。

表1 基线患者和CMR特征 查看原表 ↗
图3 图像质量评估。三位观察者对全部60例连续患者的标准晚期钆增强图像和降噪(NR)水平为75%的深度学习重建(DLRecon)图像的图像质量百分比评估 查看原图 ↗
图4 应用与未应用基于深度学习重建算法的LGE图像示例。标准及基于深度学习重建算法在不同降噪水平下获得的晚期钆增强(LGE)图像示例,分别来自一位无高强化患者(图像a–e)、一位呈非缺血性分布模式高强化患者(图像f–j)以及一位因缺血性心肌病(CMP)导致高强化的患者(图像k–o)。新重建算法随降噪水平提高而产生更高的信噪比、截断伪影减少以及边缘更锐利 查看原图 ↗

心肌瘢痕大小定量

在30例患者中观察到高强化;73%呈非缺血性分布模式。图5展示了标准短轴(SA)LGE图像及以75%降噪(NR)水平重建的同一SA图像中不同定量方法的示例。当使用标准差(SD)阈值技术时,随着NR水平递增,左心室(LV)高强化百分比显著增加(图6及补充表1)。在标准LGE图像与100% NR水平图像之间,使用2SD、4SD和6SD定量方法时,高强化范围分别增加36%、87%和138%(所有p值<0.001)。使用半高全宽(FWHM)方法未发现这一差异,其中心肌瘢痕大小与NR水平无关(Friedman检验p=0.06)。与标准LGE图像相比,使用100% NR水平图像时高强化范围大9%;然而,这并不显著(p=0.053)。当将应用DLRecon的不同定量技术与手动LGE定量进行比较时,FWHM方法的一致性最佳(p=0.49)。信号强度(SI)及不同阈值见补充表2。

当按缺血性心肌病(ICM)或非缺血性心肌病(NICM)对患者进行分层时,就标准LGE与DLRecon图像之间LGE范围的增加而言,发现了相同结果(补充图1)。在ICM患者中,标准LGE图像中瘢痕大小的人工测量与6SD技术一致(p=0.48),而FWHM导致更小的梗死面积(p=0.017)。在NICM患者中,人工测量与标准LGE图像中的FWHM方法最具可比性(p=0.41)。

图5 使用不同基于阈值的技术的LGE定量。示例展示了在一位非缺血性心肌病患者中,标准短轴(SA)晚期钆增强(LGE)图像及以75%降噪(NR)水平重建的同一SA图像中不同定量方法的应用。与标准LGE图像相比,标准差(SD)阈值技术导致75% NR水平重建的LGE图像中高强化面积增加。在半高全宽(FWHM)方法中,高强化面积无差异 查看原图 ↗
图6 瘢痕大小定量。使用不同技术对高强化区占左心室(LV)百分比进行定量:基于远离心肌区域标准差(SD)的阈值法、半高全宽(FWHM)法和手动法。在标准晚期钆增强(LGE)图像和深度学习重建图像(DLRecon)中定量瘢痕大小,并按噪声降低(NR)水平(从25%到100%)分层。数据以均值±均值标准误表示。*与标准LGE相比有显著差异;p < 0.0125视为有统计学意义 查看原图 ↗

讨论

在本研究中,我们评估了基于深度学习的重建算法对LGE图像质量的影响,并评估了其对心肌纤维化定量的作用。我们的主要发现可总结如下:(1)应用NR水平为75%的DLRecon后,视觉评分图像质量显著且持续改善;(2)在静态体模扫描中,与标准LGE图像相比,NR水平为50%和75%的DLRecon使SNR分别提高1.8倍和3.0倍;(3)在临床采集图像中,图像锐度、SNR和CNR均显著提高;(4)使用SD阈值技术时,DLRecon对LGE范围有相当大的影响。

图像质量与DLRecon

众所周知,可通过增加NEX来提高图像质量,从而提供高SNR图像。然而,这也会延长扫描时间。因此,近期多项研究探讨了在不同类型序列上应用各种基于深度学习的噪声和伪影减少技术的影响,目的是在各放射学学科中保持或改善MRI图像质量并缩短扫描时间[14–17, 22, 23]。除比较不同去噪方法外,其中一项研究还评估了其对不同NEX值图像与不同NR水平基于深度学习重建图像之间图像质量的影响。结果表明,采集时间更短的重建图像产生的图像质量等于甚至优于以更高NEX采集的图像。此外,在重建图像中,细小、精确的解剖结构仍清晰可见[14]。我们的研究通过所进行的体模扫描取得了关于SNR的相同效果。这表明基于深度学习的去噪技术在改善图像质量方面有效,同时保留了较短采集时间。另外两项研究表明,使用基于深度学习的NR技术时SNR得以保持或提高,甚至在其中一项研究中伪影也被去除[17, 22]。Hauptmann等人的研究显示,与参考标准、心电门控、屏气技术相比,欠采样实时MRI图像在功能心室测量方面具有更优的图像质量且无统计学显著差异。这些发现可使患者强烈获益,因为图像质量改善,同时可通过省略屏气序列来缩短检查时间。我们的研究通过体模扫描证实了SNR相关发现,因为应用DLRecon NR水平50%或75%后,我们的图像SNR分别提高1.8倍或3.0倍。然而,当以更高NR水平重建LGE图像时,鬼影和卷褶伪影变得更加明显。尽管如此,应用DLRecon后我们的总体图像质量显著改善。

DLRecon对LGE范围的影响

我们的研究证实,与既往研究一样,ICM和NICM患者LGE的范围因所采用的量化技术不同而差异很大[3, 5, 24]。采用错误选择的量化技术可能导致心肌纤维化程度的低估或高估[3, 11]。

尽管已有研究旨在确立最优的LGE量化方法,但目前尚未达成共识[3, 5, 10, 12, 24–27]。总之,这些研究表明,最合适的量化方法因LGE分布模式而异,其中ICM患者的分布模式通常对应于特定的冠状动脉供血区域,而NICM患者的LGE区域则较不明确、呈弥漫性、多灶性和斑片状[12, 28]。我们的研究表明,LGE最适合用FWHM方法量化,因为该方法与手动法最为接近。然而,SD法仍被常规用作量化方法,尤其是在NICM患者中[29–31]。

已知使用去噪技术会影响图像质量,并可能因此影响LGE图像上的瘢痕显示,但据我们所知,这种影响的程度尚不清楚[32]。评估心肌纤维化的存在并准确测定其数量具有临床重要性,因为多项研究表明,LGE的存在及其范围对预测全因死亡、心血管死亡、室性心律失常和心脏性猝死(SCD)具有预后价值[7–9]。例如,研究表明HCM中LGE范围与SCD风险之间存在关系[33–35]。因此,一些临床医生在推荐植入式心律转复除颤器用于一级预防时会考虑纤维化范围,尤其是在SCD中等风险的患者中。我们的研究表明,如果采用最高NR水平重建LGE图像,心肌纤维化的数量几乎翻倍,具体取决于所用的量化方法。对此一个合理的解释是,基于SD的方法依赖于远程心肌中ROI信号的SI和SD。我们的数据显示,使用DLRecon进行NR后,远程心肌中ROI信号的SD降低,导致SI阈值降低。这可能导致LGE范围增大,并可能造成患者的过度治疗或误治。临床医生应意识到这一风险。此外,使用SD阈值技术量化LGE范围受噪声/SNR的影响很大;而这又可能受到许多其他因素的影响,如静磁场强度、射频接收线圈阵列、激发翻转角和接收带宽。然而,FWHM方法不依赖于远程ROI的SI的SD,而是使用基于远程区域和高增强区域内SI的阈值,使得该技术对不同的NR水平依赖性较小。

本研究应作为警示,提醒人们不要在没有仔细考虑这些局限性的情况下,直接采用其他研究中基于标准差(SD)阈值技术的截断值。关于DLRecon算法,利用本文提供的数据,将该算法对LGE范围的截断值调整至所使用的NR水平是一种可能。然而,尽管FWHM方法可能尤其在NICM中因弥漫性纤维化而存在劣势,我们推荐使用该方法而非SD阈值方法。FWHM方法对噪声水平最不敏感,并显示出与视觉晚期钆增强评估的最佳一致性。

研究局限性

我们的研究存在若干局限性:第一,图像质量评估无法以盲法进行,因为评估者清楚哪幅图像是标准LGE图像、哪幅图像是以75% NR水平重建的图像。第二,本研究为单中心研究,样本量相对较小,尤其是ICM患者的数量。使用DLRecon时,FWHM方法所测得的强化范围较传统重建有增加趋势;然而,这一差异不显著(9%,p = 0.053)。FWHM方法在增加受试者后可能会显示出统计学差异,但很可能仍不如标准差方法敏感。最后,我们未研究改变扫描参数以改善图像质量的可能性。采用具有足够CNR的更高分辨率方案或具有相当分辨率的更快方案或许是可行的,并可进一步改善图像质量。

结论

使用基于DL的重建算法,心肌LGE图像质量显著改善。然而,这种NR算法根据所采用的量化技术不同,对瘢痕大小量化具有重要影响。临床医生和研究人员应意识到这对瘢痕量化的巨大影响,因为先进的图像重建或其他图像增强算法正变得越来越普及,而这可能产生重大的临床后果。我们的研究推荐在使用DL算法时采用FWHM方法并应用高达100%的NR水平,因为该方法对噪声水平最不敏感,并显示出与LGE视觉评估的最佳一致性。

补充信息

(DOCX 179 kb)

引用

  1. van der Velde N, Hassing HC, Bakker BJ, et al. Improvement of late gadolinium enhancement image quality using a deep learning-based reconstruction algorithm and its influence on myocardial scar quantification. Eur Radiol. 2020. PMID: 33219845. doi:10.1007/s00330-020-07461-w
  2. 全文:PMC8128730(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8128730/

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。