公众号 / 文章乳腺技术与安全MR

深度学习重建与ADC:定量可比性能否保留?

Deep learning reconstruction and ADC: is quantitative comparability preserved?
PubMed 文献 · Eur J Radiol · 2026-09-08

本文围绕乳腺DWI中深度学习重建对ADC定量指标的影响展开述评。指出图像质量改善与平均ADC无显著差异,不足以证明不同重建流程间定量等效或可互换。建议评估应纳入重复性、再现性、一致性及病灶水平分析,并需针对特定重建方案进行验证。

要点

  • 平均ADC无显著差异不等于重建流程间定量等效或可互换。
  • 深度学习重建可能改变噪声、信号、分辨率及ADC分布特征。
  • 临床引用ADC阈值时需确认所用重建方案经过验证。

核心结论

  • 深度学习重建可改善乳腺DWI图像质量与采集效率,但平均ADC无显著差异不能证明定量等效或可互换。
  • 即使组水平平均ADC稳定,重建相关的噪声、信号、空间分辨率及ADC分布变化仍可能影响定量测量。
  • 评估深度学习重建DWI应超越平均ADC比较,纳入重复性、再现性、一致性及病灶水平分析。
  • ADC作为定量影像生物标志物跨方法应用前,须进行重建特异性验证。

研究设计与样本

  • 本文为基于近期文献与体模证据的述评,非原始研究。
  • 讨论对象为乳腺DWI中的深度学习重建及其对ADC定量的影响。
  • 引用近期体模研究证据,提示深度学习重建可在保持ADC准确性的同时改变ADC分布特征。

关键影像表现/征象

  • 深度学习重建可能改变噪声特征、信号强度、空间分辨率及ADC分布。
  • 体模证据显示深度学习重建可保留ADC准确性,但改变ADC分布特征。

诊断标准与关键数值

  • 不依据平均ADC无显著差异判断重建流程间定量等效或可互换。
  • 评估应纳入重复性、再现性、一致性及病灶水平ADC分析。
  • ADC跨方法应用前须进行针对特定重建方案的验证。

临床应用与阅片要点

  • 阅片与报告中引用ADC值时,需确认重建方案是否经过验证。
  • 比较不同重建流程或设备间的ADC时,应谨慎解释平均ADC差异。
  • 关注深度学习重建对病灶水平ADC分布及定量稳定性的影响。

局限性

  • 原文未报告系统检索或正式证据分级方法。
  • 基于有限文献与体模证据提出建议,缺乏大样本临床验证。
  • 未给出具体重建方案、设备或序列细节。

以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。

英文原文(摘要)· 点击展开

Deep learning (DL)-based reconstruction can improve image quality and acquisition efficiency in breast diffusion-weighted imaging (DWI), but its effects on quantitative biomarkers warrant careful consideration. Although recent work reported improved image quality without significant differences in mean apparent diffusion coefficient (ADC), statistical nonsignificance does not necessarily establish quantitative equivalence or interchangeability across reconstruction pipelines. Reconstruction related changes in noise characteristics, signal intensity, spatial resolution, and ADC distributions may affect quantitative measurements despite stable group-level mean ADC. Recent phantom evidence further suggests that DL reconstruction can preserve ADC accuracy while altering ADC distributional characteristics. Therefore, evaluation of DL-reconstructed DWI should extend beyond mean ADC comparisons to include repeatability, reproducibility, agreement, and lesion-level analyses. Reconstruction specific validation is essential for reliable cross-method application of ADC as a quantitative imaging biomarker.

来源:Eur J Radiol,查看原文。版权归原作者所有。

引用

  1. Li, Kang, Zhang, et al. Deep learning reconstruction and ADC: is quantitative comparability preserved? Eur J Radiol. 2026. PMID: 42736177. doi:10.1016/j.ejrad.2026.113229

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。