基于深度学习的前列腺MRI降噪重建技术评估
回顾性纳入31例有前列腺癌病史患者,在1.5T或3.0T下用直肠内线圈采集T2WI,比较常规重建与深度学习重建(DLR)在有/无直肠内线圈信号下的图像质量与伪影。三位放射科医师独立评分,Non-ERCDLR系列在整体图像质量、伪影减少和解剖标志及肿瘤显示上均最佳(p < 0.001)。
要点
- 深度学习重建(DLR)用于前列腺T2WI可显著降低噪声且不引起明显模糊或分辨率丢失。
- 关闭直肠内线圈信号后经DLR重建(Non-ERCDLR)系列在整体图像质量和伪影评分上最佳(p < 0.001)。
- 直肠内线圈开启时DLR未能去除线圈搏动和近场伪影,ERC系列整体伪影更多。
核心结论
- DLR可显著降低前列腺MRI噪声,未出现明显图像模糊或分辨率丢失。
- Non-ERCDLR系列被所有放射科医师一致首选,整体图像质量、伪影减少及解剖标志与肿瘤显示均最佳(p < 0.001)。
- 直肠内线圈信号开启时DLR未能去除线圈搏动和近场伪影,ERC系列整体伪影更多。
- 作者认为结合PI-RADS 2.1对最佳轴位T2成像的强烈推荐,使用移除ERC信号后生成的Non-ERCDLR T2WI系列可带来额外获益。
研究设计与样本
- 回顾性研究,纳入31例有活检证实前列腺癌病史且接受完整直肠内线圈前列腺MRI的患者。
- 扫描设备为1.5T或3.0T(GE Healthcare),14例在1.5T、17例在3.0T扫描。
- 每位患者生成4组T2WI系列:ERCDLR、ERCConv、Non-ERCDLR、Non-ERCConv。
- 由3位腹部影像经验超过15年的放射科医师独立盲法评分,采用广义估计方程分析并用Tukey–Kramer法校正两两比较。
- 训练数据未来自本研究所用扫描仪;研究经IRB批准,因回顾性豁免知情同意。
关键影像表现/征象
- ERC开启图像上可见线圈搏动伪影(黑箭头)和近场伪影(箭头头),Non-ERC图像上未见这些伪影。
- Non-ERCDLR系列获得「优秀」整体图像质量评分的比例为56.7%,显著优于其他系列(p < 0.001)。
- 1.5T的Non-ERC系列出现较差图像质量的比例更高,原文归因于无ERC时信噪比更低及场强更低。
- ERC图像信号比Non-ERC图像信号高3.4至4.8倍(原文讨论处写3.8至4.8倍,原文此处数值表述不一致)。
- DLR与常规重建的信号比相似(1.0至1.4倍)。
诊断标准与关键数值
- 图像质量评分采用1至3分:1=优秀,2=合格,3=差。
- 伪影评分采用1至5分:1=无伪影,5=严重伪影/无法诊断;积分制中无诊断(ND=1)、勉强诊断(BD=2)、中等伪影(M=3)、轻微伪影(MA=4)、无伪影(NA=5)。
- 图像质量观察者间一致性κ=0.58(中等一致),伪影观察者间一致性κ=0.34(一般一致)。
- 预试验5例比较25%、50%、75%、100%降噪水平,放射科医师均偏好75%降噪水平。
临床应用与阅片要点
- 原文结论指出,作为前列腺MRI的一部分,移除ERC信号后生成的Non-ERCDLR T2WI系列可带来额外获益。
- 作者认为该系列可按每位放射科医师的习惯,与常规图像重建的标准T2W系列联合使用或独立使用。
- 原文引用PI-RADS 2.1强烈推荐最佳轴位T2成像,并指出轴位T2序列是检测和分期前列腺癌的关键序列。
- 原文引用PI-RADS指导委员会关于MRI导向活检路径的指南,推荐高质量多参数MRI,其中轴位T2为关键序列。
局限性
- 评估的患者数量相对较少。
- 放射科医师诊断的肿瘤未经逐层病理对照确认,尽管每位读者均知晓患者至少有一个前列腺肿瘤。
- 分析未纳入DWI、ADC图或整个MRI检查的其他序列,读者未获得完整检查进行完整解读。
- 伪影和整体图像质量的读者间一致性分别为0.34和0.58(一般至中等),原文认为若评分选项更少一致性可能更高。
- 未允许选择超过两个系列作为「最佳系列」,放射科医师有时认为三个系列非常相似。
全文中译16 节 · 点击展开
引言
前列腺癌影响六分之一的男性一生,是美国癌症死亡的第二大原因。磁共振成像(MRI)在疑似或确诊前列腺癌患者的评估中发挥着越来越重要的作用,尤其是在疾病分期方面[1, 2],例如检测前列腺外延伸。近年来,MRI越来越多地用于所有患者中原发肿瘤的检测,包括“未经活检”的患者。前列腺影像报告和数据系统(PI-RADS)等技术指南通过建立高质量图像的最低标准和最佳图像解读方案,在推动这些变革和改善前列腺MRI解读方面发挥了重要作用。
标准前列腺MRI方案由多个序列组成,包括T2加权(T2W)图像、弥散加权MRI(DWI)和注射钆的动态对比增强(DCE)序列[3]。T2加权成像(T2WI)通常在三正交平面上进行。这些技术用于评估原发恶性肿瘤并对疾病范围进行分期。
前列腺MRI存在若干技术挑战和争议。一些常见的挑战包括低信噪比(SNR,尤其是场强< 3 T的扫描仪)以及可能影响图像解读的伪影的存在,例如来自直肠的强烈搏动伪影。使用直肠内线圈(ERC)进行前列腺MRI存在争议[4]。ERC相比表面阵列线圈具有明确的优势,信噪比更好,这对于准确显示前列腺及其周围解剖结构以及检测前列腺癌所需的高空间分辨率至关重要。然而,ERC由于靠近感兴趣区域(ROI),常常加重运动伪影。使用ERC also繁琐、昂贵,且对某些患者来说不舒适甚至难以忍受。从患者的角度来看,不适可能导致不依从以及不愿意接受未来的MRI检查,并可能使患者错过管理疾病的最佳干预窗口。
深度学习和机器学习近年来在应用方面经历了爆炸式增长,包括在许多医学研究领域[5, 6]。对于前列腺MRI,机器学习和深度学习已成功用于前列腺分割、癌症检测、局部侵袭性评估、分期、治疗前评估和生化复发[7]。深度学习技术也被报道用于改善图像质量和降低噪声[8, 9]。
在本研究中,我们将一种新型的基于深度学习的MRI重建方法(以下称为“DLR”)应用于临床前列腺T2W快速自旋回波前列腺成像[10]。
我们的目标是评估这种新重建方法在改善图像质量和减轻伪影方面的性能。我们假设DLR生成的图像相比传统图像重建算法(以下称为“Conv”)获得的图像能提供更好的图像质量和更少的伪影。我们的次要目标是评估在有和没有ERC信号的情况下DLR生成的图像质量。我们假设当去除ERC信号时,DLR图像能够以更少的伪影提供足够的图像质量。
患者和方法
患者人群
患者人群选自六个月期间(2019年3月至2019年9月)在1.5 T或3.0 T(GE Healthcare,Waukesha,WI)上完成前列腺直肠内MR检查的所有患者。无活检证实前列腺癌病史、既往前列腺切除术或前列腺癌治疗史的患者被排除在研究之外。本研究经IRB批准,由于研究的回顾性性质,豁免了知情同意。
深度学习重建
如[10]中详述,DLR技术包括一个深度卷积网络,采用监督学习方法训练,使用代表接近完美和常规MRI图像的图像对进行噪声去除和高平面内分辨率。训练图像数据库涵盖广泛的图像内容,使网络能够跨所有解剖结构具有泛化能力。数据库包含超过10,000张图像,并应用图像增强(旋转、翻转等)创建了400万种独特的图像/增强组合以增加稳健性。使用ADAM优化器最小化预测图像与接近完美图像之间的损失。该网络提供可调的噪声降低因子以适应使用者偏好。DLR基于残差编码器。残差编码器不是直接生成高SNR图像,而是提供噪声降低的灵活性。这可以通过回加少量受控水平的噪声来帮助避免激进去噪,使其对人眼看起来更自然。DLR网络嵌入常规重建路径中,使得可以从单组原始MRI数据生成两组图像序列。训练数据并非从所使用的扫描仪获取。
MRI采集
所有轴位T2W快速自旋回波图像均使用外部盆腔相控阵线圈联合ERC采集。典型扫描参数为TE/TR = 133–150 ms/4000–8500 ms;ETL = 24;3/0 mm;256 × 192;Nex = 2,在1.5 T或3.0 T上。在两个序列中,ERC的信号被关闭,而未将线圈从患者体内物理移除。这些图像标记为Non-ERC。在两个序列中,应用了使用上述模型[10]的DL重建,这两个序列标记为DLR。因此,每位患者共生成四组图像:(i) 带ERC的T2W常规图像重建(ERCConv),(ii) 不带ERC的T2W常规图像重建(Non-ERCConv),(iii) 带ERC的T2W DLR(ERCDLR),以及(iv) 不带ERC的T2W DLR(Non-ERCDLR)。
图像评估
三位放射科医生,每位在腹部成像方面拥有超过15年的经验,独立审阅了这四组序列。图像由一位放射科医生使用GE AW工作站(GE Healthcare,Waukesha,WI)显示,其他人在此过程中解读并评分图像。放射科医生在一次会话中审阅不超过八项研究,以尽量减少疲劳的影响。他们对图像采集细节和活检证实的前列腺癌位置设盲。此外,序列在AW工作站上被随机打乱以减少偏倚:例如,患者“1”的序列1可能对应ERCConv,而患者“2”的序列1可能对应Non-ERCConv。
对于每个序列,每位阅片者分别对整体图像伪影按1至5分进行评分(1 = 无伪影,5 = 严重伪影/无法诊断)。评分基于每位放射科医师在前列腺MRI判读方面的临床经验。此外,阅片者还分别对每个序列的整体图像质量按1至3分进行评分(1 = 优秀,2 = 合格,3 = 差)。评分基于每位放射科医师在前列腺MRI判读方面的临床经验。个体评估提供了对每个序列图像质量和伪影的独立评价。
对四个序列进行并列比较时,每位阅片者选择了一个或可能两个(如并列)显示前列腺包膜(C)、神经血管束(NVB)、直肠前壁(ARW)、精囊(SV)、射精管(ED)、泌尿生殖膈(UD)和肿瘤(T)最佳的序列。并列比较提供了四个序列之间的直接比较。阅片者还选择了一个或可能两个(如并列)显示C、NVB、ARW、SV、ED、UD和T最差的序列。所选标志物为前列腺MR检查判读中最常评估的结构。
每位放射科医师独立选择肿瘤位置。放射科医师不知道活检结果。放射科医师选择一个他们认为代表肿瘤的位置。放射科医师比较了不同序列之间疑似肿瘤的显示情况。疑似肿瘤对于所有放射科医师而言可能并不相同,也可能与活检证实的位置不一致。放射科医师在进行评估时无法获取完整检查资料或电子健康记录。
定性分析
一位放射科医师在四个序列的每一序列上,于外周带(PZ)、移行带(TZ)和闭孔内肌(M)放置至少1 cm的圆形ROI。ROI的信号强度被视为相应解剖部位的信号。计算了ERC序列与非ERC序列的信号比值。还计算了每个解剖部位常规序列与DLR的信号比值。
阅片者间变异性
计算了整体图像质量评分(优秀 vs. 合格 vs. 差)和伪影(无法诊断、勉强可诊断、中度、轻微和无伪影)的阅片者间变异性。
统计分析
阅片者评分采用频数和百分比进行总结。采用广义估计方程方法评估方法对Likert量表的影响,并对阅片者进行调整。广义估计方程方法考虑了同一患者测量值之间的相关性。两两比较的p值采用Tukey–Kramer方法进行调整,以控制总体I类错误率。阅片者间一致性采用Krippendorff α进行评估,其为κ统计量的推广。p值小于0.05认为具有统计学意义。
结果
患者人群
本研究共纳入31例患者。平均年龄为67.3岁(范围49–82岁)。前列腺特异性抗原(PSA)的平均值和中位数分别为6.1和6.45 ng/mL(PSA范围1.5–25.7 ng/mL)。Gleason评分的平均值和中位数分别为7.8和7.5(Gleason范围6–10)。14例患者在1.5 T下扫描,17例患者在3.0 T下扫描。
去噪
在我们的研究中,首先进行了一个由5名患者组成的样本试点项目,以比较使用不同降噪水平(25%、50%、75%和100%)处理后的图像。这些图像由4名放射科医生进行评估。鉴于原始T2W图像具有合理的信噪比(SNR),所有放射科医生都倾向于75%的降噪水平,该水平去除了大部分噪声,同时未使图像显得过于人工合成:在可接受的图像质量与降噪之间取得了平衡。
伪影
表1显示了各序列的图像伪影评分:ERCDLR、ERCConv、Non-ERCDLR和Non-ERCConv。极少数序列被评为勉强可诊断或不可诊断。没有任何Non-ERC序列被评为勉强可诊断或不可诊断。在比较1.5 T和3.0 T序列时,1.5 T Non-ERC序列的图像质量差所占比例更高。这是预期之中的,因为未使用ERC且场强较低的扫描仪信噪比更低。使用1-5分评分系统[不可诊断(ND = 1)、勉强可诊断(BD = 2)、中度伪影(MA = 3)、轻微伪影(MA = 4)和无伪影(NA = 5)]。计算每个序列的总分(表2,当序列被评为无伪影时,获得5分)。
图像质量
图1显示了为每位患者生成的四个序列的示例。表3显示了整体图像质量的评分。Non-ERCDLR序列在56.7%的情况下获得了优秀评分。这显著优于其他序列(p < 0.001)。在PZ、TZ和M(肌肉)中放置了感兴趣区(ROI)。ERC图像的信噪比是Non-ERC图像的3.4至4.8倍。DLR和常规图像的信噪比相似(1.0和1.4倍)。
解剖标志和肿瘤
表4、表5和表6显示了ARW、UD、ED、C、NVB和肿瘤可视化最佳序列的定性分析结果。当选择单一序列时,“Non-ERCDLR”在各个类别中更频繁地被选为“最佳序列”(分别为55/72、62/82、63/78、69/79、65/80和67/80)。例如,ERCDLR仅在一次评比中获得ARW可视化的最佳序列评分。相比之下,Non-ERCDLR作为ARW最佳序列获得了55次评分。
当两个序列并列最佳序列时,“非直肠内线圈动态负载率(Non-ERCDLR)”在各分类中作为“最佳序列”被选择的频率也更高:前方直肠壁(ARW)、尿道生殖膈(UD)、射精管(ED)、包膜(C)、神经血管束(NVB)和肿瘤(T)(分别为20/42、6/18、12/26、13/28、12/24和11/27)。例如,在并列时,“Non-ERCDLR”在ARW方面作为最佳序列被评分20次。
表7、表8和表9显示了在ARW、UD、ED、C、NVB和T可视化方面最差序列的定性分析结果。当选择单一序列时,“Non-ERCDLR”在各分类中作为“最差序列”被选择的频率最低(分别为0/72、4/84、1/81、1/72、1/74和1/85)。
当两个序列并列最差序列时,“Non-ERCDLR”在ARW、UD、ED、C、NVB和T分类中作为“最差序列”被选择的频率也较低(分别为1/105、4/91、1/95、1/107、1/106和1/94)。将单一序列和并列序列合并作为“最差序列”时,“Non-ERCDLR”在各分类中作为“最差序列”被选择的频率较低(1/180、8/175、2/176、2/179、2/180和1/94)。相比之下,“ERCDLR”在ARW(98/180)、C(70/179)和NVB(85/180)可视化方面被选择为最差。“ERCConv”和“ERCDLR”在T方面并列最差序列(22/94)。“ERCConv”在ED方面评分最差(65/176)。“Non-ERCConv”在UD可视化方面评分最差(48/91)。
观察者间变异性
对于图像质量,观察者间变异性为κ = 0.58(中等一致);对于伪影,观察者间变异性为κ = 0.34(一般一致)。
讨论
我们的结果表明,所有放射科医生都压倒性地偏好非直肠内线圈联合深度学习重建(Non-ERCDLR)序列(p < 0.001)。Non-ERCDLR序列在四个序列中获得了最佳的定性图像评分。在大多数解剖部位的评估中,Non-ERCDLR最常被选为“最佳序列”,最少被选为“最差序列”。这些结果支持了我们的假设,即引入深度学习重建(DLR)可能改善整体图像质量。
加入直肠内线圈(ERC)信号后,无论采用常规重建还是深度学习重建(DLR),都会导致整体图像伪影增多。部分原因是开启ERC时图像上可见的搏动伪影和/或近场信号伪影(图1),有趣的是,在ERC存在的情况下,DLR无法去除这些伪影。ERC上的信号强度约为非ERC的3.8–4.8倍。这种更高信号的益处显然并未影响整体图像质量,因为伪影遮蔽了图像。
新的MRI前列腺影像报告和数据系统(PI-RADS)2.1报告考虑了图像质量,并建议报告图像质量。目前的双参数MRI依赖于无伪影且高质量的T2加权和扩散序列,而在没有ERC的情况下可能无法实现[11]。PI-RADS 2.1提倡使用轴位T2序列作为检测和分期前列腺癌的关键序列。目前PI-RADS指导委员会针对MRI引导下活检路径提出的指南也推荐高质量的多参数MRI [12],其中包括以轴位T2作为关键序列。因此,该序列的图像质量达到最佳非常重要。我们的研究表明,应用DLR可显著减少来自线圈和直肠运动的伪影。
深度学习(DL)技术已被用于降低脑部MRI [8]和肌肉骨骼MRI [13]的噪声。一种传统的去噪方法是基于滤波器的(即高斯滤波器)降噪[8]。然而,这种方法不仅会去除噪声,还可能导致结构细节丢失并造成图像模糊。本研究中使用的DLR技术是深度卷积神经网络,作用于原始复数k空间数据,以减少图像噪声、去除截断伪影并提高图像锐度。DLR并非直接生成高信噪比(SNR)图像,而是提供了降噪的灵活性。这有助于通过维持受控的噪声水平来避免过度去噪,使其在人眼看来更加自然。
深度学习已被用于前列腺和尿道的分割[14]、前列腺癌的检测[15]以及前列腺癌的放射治疗计划制定[16]。然而,据我们所知,尚无关于应用深度学习或人工智能(AI)技术改善前列腺癌患者图像质量并评估解剖结构和肿瘤的报道。与前列腺MRI相关的AI资源和研究兴趣大多集中在疾病的诊断和检测以及肿瘤和前列腺的分割上。Goldenberg等人最近发表了一篇关于AI和机器学习(ML)在前列腺癌中作用的综述文章[17]。
我们的研究存在一些局限性。首先,我们评估的患者数量相对较少。然而,我们的评估由三位独立评审者完成,涉及多个数据点,且结果压倒性地支持“Non-ERCDLR”序列。
另一项局限性是,放射科医师所诊断的肿瘤未通过与病理学的逐层对照加以确认,尽管每位阅片者均知晓患者已知至少存在一个前列腺肿瘤。基于轴位T2W图像,阅片者选择“最可疑区域”,并在不同序列间(左右侧)比较同一区域。由于数据分析中未纳入弥散加权成像(DWI)、表观扩散系数(ADC)图或整个MRI检查的其他序列,阅片者未获得完整检查以对MRI图像进行完整判读。然而,我们的目标并非评估放射科医师在左右侧比较中对可疑肿瘤可视化的准确性。目标是评估放射科医师在左右侧比较中对每个序列可视化可疑肿瘤的定性分析。在临床环境中,对这些图像的判读需要结合冠状位和矢状位T2加权序列、DWI/ADC图以及Gd增强前和增强后图像,这是PI-RADS-2标准所要求的,但PI-RADS 2.1标准不要求,后者仅要求轴位T2和一个额外的T2正交平面以及扩散序列[3]。
另一项局限性是阅片者对伪影和整体图像质量的可重复性,分别为0.58和0.34(一般至中等)。如果不是伪影评分有五个选项、图像质量评分有三个选项,这种一致性可能会更高。一致性可以反映阅片者的主观性:一位阅片者可能认为某图像可接受,而另一位阅片者可能主观地认为同一图像为优秀;此外,一位阅片者对“优秀”与“合格”的标准可能高于另一位阅片者。同样,一位阅片者可能认为某检查“伪影极少”,而另一位阅片者可能认为同一检查“伪影中等”。此外,我们不允许选择超过两个序列作为“最佳序列”。放射科医师有时发现三个序列非常相似。然而,这一局限性并未影响我们的结论,即非ERC-DLR序列是前列腺MRI的最佳序列。此外,非ERC-DLR图像是在ERC在位的情况下获得的。虽然这使我们有机会比较来自同一源数据的结果,从而消除许多混杂因素,如图像之间的不匹配、表面线圈定位差异和预扫描设置变化,但我们无法评估去除ERC对整体图像质量的影响。
有趣的是,我们的数据似乎表明,3 T下的ERC可能没有预期的对图像质量的额外益处。观察到整体信号的预期改善。由放射科医师主观评分的解剖位置之间的对比度并未随整体信号的改善而改善。我们提出,ERC的信号未改善图像质量是由于两个额外因素:(i)伪影和(ii)线圈导致的解剖位移。当ERC关闭时,来自直肠的搏动伪影减弱(图1)。
结论
DL重建在前列腺MRI中实现了显著降噪,且未出现任何明显的图像模糊或分辨率损失。鉴于新的PI-RADS 2.1强烈推荐获得最佳的T2轴位成像,使用通过从前列腺MRI中去除ERC信号而生成的非ERCDLR T2加权序列进行前列腺MRI研究将具有额外益处[3]。根据每位放射科医师各自的调整,此类序列可与采用常规图像重建的标准T2W序列联合使用,或独立使用。
引用
- Wang X, Ma J, Bhosale P, et al. Novel deep learning-based noise reduction technique for prostate magnetic resonance imaging. Abdom Radiol (NY). 2021. PMID: 33580348. doi:10.1007/s00261-021-02964-6
- 全文:PMC8215028(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8215028/
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。