文献速递腹部技术与安全MR

人工智能图像质量增强在肝脏MRI中的定量与定性评估

Artificial intelligence based image quality enhancement in liver MRI: a quantitative and qualitative evaluation.
PubMed 文献 · Radiol Med · 2022-09-07

这项前瞻性单中心研究纳入50名志愿者,在1.5T MRI上比较应用AIR Recon Deep Learning(ARDL)与常规高分辨率采集(NAÏVE)及非深度学习数据集(NON-DL)在SSFSE T2、DWI和ADC图上的图像质量与采集时间。结果显示ARDL整体图像质量更优、截断伪影更少、锐利度和对比度更高,且SSFSE T2和DWI采集时间分别缩短31%和60%,但ADC图定量指标无差异。

要点

  • ARDL可显著缩短SSFSE T2和DWI采集时间,分别减少31%和60%。
  • ARDL在SSFSE T2上SNR和CNR均高于NAÏVE和NON-DL。
  • ARDL整体图像质量主观评分更优,截断伪影更少,读片一致性极好。

核心结论

  • ARDL应用于上腹部MRI可整体提升图像质量并缩短扫描时间,与高质量NAÏVE协议相比SNR和CNR相当。

研究设计与样本

  • 前瞻性单中心研究,纳入50名连续志愿者(31女,平均年龄55.5±20岁),于2021年9月至11月进行。
  • 使用1.5T MRI(Signa Voyager,GE Healthcare)和16通道柔性线圈,无对比剂,采集轴位SSFSE T2、DWI及ADC图。
  • 每种序列获得ARDL、NAÏVE和NON-DL三个数据集,比较定量(SNR、CNR)与定性(5分Likert量表)图像质量及采集时间。

关键影像表现/征象

  • SSFSE T2序列ARDL的SNR为181.40±135.09,高于NAÏVE的109.79±108.98(P=0.0012)和NON-DL的18.08±12.26(P<0.0001)。
  • SSFSE T2序列ARDL的CNR为674.76±453.82,高于NAÏVE的457.29±449.25(P=0.013)和NON-DL的68.66±39.06(P<0.0001)。
  • DWI序列ARDL与NAÏVE的SNR无显著差异(181.15±134.93 vs. 216.41±157.47,P=0.7231),CNR亦无差异(92.58±84.32 vs. 93.06±83.50,P=1)。
  • ADC图SNR和CNR在所有数据集间均无显著差异(所有P>0.32)。
  • 定性分析显示ARDL在SSFSE T2、DWI和ADC图上锐利度、对比度、截断伪影和运动伪影评分均优于NAÏVE和NON-DL(所有P<0.05)。

诊断标准与关键数值

  • 主观图像质量采用5分Likert量表评估锐利度、对比度、截断伪影、运动伪影和整体图像质量,1分最差、5分最佳。
  • SSFSE T2整体图像质量ARDL为4.94±0.23,高于NAÏVE的3.26±0.75(P<0.0001)和NON-DL的3.28±0.60(P<0.0001)。
  • DWI整体图像质量ARDL为4.22±0.81,高于NAÏVE的2.92±0.85(P<0.0001)和NON-DL的2.90±0.73(P<0.0001)。
  • ADC图整体图像质量ARDL为4.17±0.77,高于NAÏVE的3.07±0.66(P<0.0001)和NON-DL的2.46±0.79(P<0.0001)。
  • 观察者间一致性优秀:SSFSE T2 k=0.8273,DWI k=0.8143,ADC图 k=0.8165。

临床应用与阅片要点

  • ARDL可在不损失SNR和CNR的前提下缩短SSFSE T2和DWI采集时间,有助于提高检查通量和患者舒适度。
  • ARDL减少截断伪影并提升锐利度,有助于观察肝脏边缘和细小结构。
  • NON-DL数据集图像质量较差,可供放射科医生在适应ARDL算法初期参考。

局限性

  • 研究未分析病理实体,仅评估健康志愿者图像质量。
  • 仅测试了上腹部MRI协议中的两个序列(SSFSE T2和DWI),因ARDL目前仅获批用于2D序列。
  • 未与标准NAÏVE协议比较,而是与高质量NAÏVE协议比较,且部分采集参数(如矩阵、b值平均次数)存在差异。
全文中译13 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:Radiol Med. 2022 Sep 7;127(10):1098–105. doi: 10.1007/s11547-022-01539-9

引言

医学影像在现代医学中发挥着核心作用,而技术进步对于以最高效的成像方案实现最佳诊断性能至关重要。近年来,人工智能(AI)在图像采集/重建、图像后处理、图像分析、图像存储以及复杂数据整合用于医学决策过程等多个方面带来了巨大改进[1–7]。

聚焦于图像采集,已有多种自主研发的AI和深度学习(DL)工具被开发用于改善图像质量,迄今为止其应用主要在研究领域[8]。

2020年9月,首批AI衍生工具之一获批用于1.5 T下所有解剖部位的临床应用,即AIR™ Recon DL(ARDL),GE Healthcare,Waukesha,WI[9]。与可能改变图像细节的基于后处理的方法不同,该方法是一种基于深度学习的重建模型,直接应用于基于k空间的原始数据以获得最大图像质量,同时保留所采集的非DL数据。此外,为提高信噪比(SNR),该技术具有独特的智能振铃抑制功能,可保留精细图像细节,有助于解决放射科医生和技术人员面临的两个常见棘手问题——图像噪声和振铃。此外,使用ARDL可同时获得一个称为NON-DL的数据集,该数据集由相同的MRI参数设置生成,序列上未经ARDL干预。

迄今为止,MRI采集一直是在图像质量与扫描时间之间进行折中;事实上,要获得具有改善的SNR和/或空间分辨率的高质量图像,需要较长的扫描时间。相反,较短的扫描采集时间能够改善患者舒适度和工作效率,但图像质量降低。借助新的DL算法,在缩短采集时间内获得良好图像质量的可能性正成为现实。此外,重要的是不仅要将新算法与标准方案进行比较,还要与更接近真实金标准的高质量方案进行比较。

截至目前,已有少数研究评估了AI在临床环境中对MRI采集的影响,特别是对上腹部的影响[10–13]。

本研究旨在比较ARDL方案、NON-DL数据集和高分辨率NAÏVE方案在上腹部区域的应用,从定量和定性图像分析及采集时间方面进行评估。

方法

研究设计与患者人群

这项前瞻性单中心研究于2021年9月至2021年11月纳入50名志愿者,符合当地机构审查委员会(IRB)要求,所有参与者均签署了知情同意书。

所有志愿者均接受上腹部MRI扫描,并执行两种方案(ARDL和NAÏVE);两种方案的详细内容及获得的三个数据集见下文“深度学习算法”和“成像方案”部分。存在MRI检查禁忌证的志愿者(如MRI设备不兼容、幽闭恐惧症)以及接受过上腹部手术的志愿者被排除;此外,因腹部金属装置导致严重运动伪影或磁敏感伪影的MRI采集未纳入分析。

深度学习算法

图像采集过程中应用的具体深度学习(DL)算法是 AIR™ Recon DL(GE Healthcare,Waukesha,WI)。它由一个前馈深度卷积神经网络(CNN)组成,能够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[14]。这种创新的CNN直接与标准重建流程集成,作用于MRI检查期间获得的原始数据。采用监督学习方法,使用超过10.000个核中的超过440万个参数对该CNN进行了训练。

AIR™ Recon DL的工作原理是接受原始的、未经过滤的输入,并在SNR和图像伪影方面提供改善的输出;另一个重要方面是可以在采集前设置CNN的适用范围,以生成具有不同CNN应用强度(低、中和高)的图像。

每次采集还可在扫描过程中同时获得两个不同的数据集,且重建时间无差异。具体而言,一个数据集应用ARDL进行重建,另一个数据集定义为NON-DL,由相同的参数集产生但不进行k空间上的ARDL重建。需要强调的是,NON-DL数据集返回的是使用非优化参数的常规重建,即不进行ARDL重建。因此,由于缺乏通常用于平衡图像质量和采集时间的参数设置,图像将显得噪声更大。

AIR™ Recon DL被训练识别和减少的一种图像伪影是截断(Gibbs)伪影,通常出现在高信号与低信号区域之间过渡的结构附近,如脊髓与脑脊液或肝实质与腹部脂肪[15]。该CNN能够识别锐利边缘附近的Gibbs伪影,并持续减少振铃伪影以提高图像锐度。因此,ARDL工具能够以通常较少的MRI参数(例如减少的NEX、层厚)和采集时间方面的妥协来采集MRI图像。

成像方案

每次采集均在同一扫描仪(1.5 T Signa Voyager,GE Healthcare,Waukesha,WI)上使用相同方案进行。所有扫描均在仰卧位进行,使用专用的16通道高柔性自适应图像接收器(AIR,GE Healthcare,Waukesha,WI)线圈,且未给予对比剂。视野(FOV)将包括上腹部覆盖范围,从肺底至髂骨上缘,两种方案的层数相同。

采集方案包括高质量NAÏVE方案和ARDL方案,后者具有两个重建数据集(ARDL和NON-DL数据集),如上所述。

采集方案包括:ARDL 方案(TR:412 ms,TE:92 ms,nex:1,层厚:4 mm,矩阵:384X288,FOV:430 × 430 mm,Recon DL 强度:高)和 NAÏVE 方案(TR:502 ms,TE:89 ms,nex:1,层厚:4 mm,间距:0.5,矩阵:232X200,FOV:430 × 430 mm)均采用屏气技术采集轴位 T2 单次激发快速自旋回波(SSFSE)序列。然后,ARDL 方案(TR:6000 ms,TE:61 ms,层厚:4 mm,间距:0.5,矩阵:128X128,FOV:430 × 430 mm,采集 b 值:b50,nex:2;b400,nex:2;b1000,nex:4,Recon DL 强度:中等)和 NAÏVE 方案(TR:14811 ms,TE:57 ms,层厚:4 mm,间距:0.5,矩阵:128X128,FOV:430 × 430 mm,采集 b 值:b50,nex:2;b400,nex:8;b1000,nex:12)均采用导航触发技术采集轴位 DWI。ARDL 重建在低、中、高选项中选择,依据是一项由五名志愿者扫描并应用不同 DL 强度的预试验方案。获得的图像由三名专家阅片者评估,他们以共识方式为两个序列选择了 DL 强度。两个方案 DWI 获得的 ADC 图也进行了分析。在 ARDL 方案期间,也获得了原始图像(如上所述命名为 NON-DL)并纳入分析。每个序列的采集时间也被记录。

定量图像分析

每个序列共获得三个数据集,如下:ARDL 数据集、NAÏVE 数据集和 NON-DL 数据集,每个数据集均针对 T2 SSFSE 序列、DWI 和 ADC 图。每个序列均进行匿名化以避免偏倚。两名阅片者(B.M. 和 M.Z.,分别具有 3 年和 8 年腹部 MRI 成像经验)以共识方式并同时评估客观图像质量。具体而言,为量化信噪比(SNR)和对比噪声比(CNR),在肝实质 V、VI 和 VIII 段放置三个圆形感兴趣区(面积 1cm2),避开血管、胆管树和肝脏边缘,然后报告三者的平均测量值。此外,在背景和胆囊中各放置一个感兴趣区(ROI)。图 1 提供了 ROI 放置的示例性单层图像。

SNR 和 CNR 使用经既往研究修改的以下公式计算 [12]:

其中 S 代表平均信号强度,SD 代表信号强度标准差。

图 1 MRI 扫描上用于定量分析的 ROI 放置。一名 52 岁男性的平扫轴位 SSFSE T2 图像,三个 ROI 之一放置在肝脏 V 段,一个 ROI 放置在背景,一个放置在胆囊,ARDL a、c 与 NAÏVE b、d 显示 ARDL 和 NAÏVE 图像之间 SNR 和 CNR 存在显著差异 查看原图 ↗

定性图像分析

两名阅片者(M.P. 和 G.G.)分别具有 6 年和 7 年腹部 MRI 成像经验,独立评估主观图像质量。主观图像质量采用五点 Likert 量表评估,考虑:(a) 上腹部实质边缘锐利度:1 = 差;2 = 轻度;3 = 中等;4 = 好;5 = 很好。

(b) 对比度:1 = 不足;2 = 轻度;3 = 中等;4 = 好;5 = 极好。

(c) 截断伪影:1 = 严重(妨碍诊断);2 = 可接受;3 = 中等;4 = 轻度;5 = 无伪影。

(d) 运动伪影:1 = 严重(妨碍诊断);2 = 可接受;3 = 中等;4 = 轻度;5 = 无伪影。

(e) 整体图像质量(上述四个因素相加):1 = 不可接受;2 = 差;3 = 中等;4 = 好;5 = 优秀。图2提供了所分析的定性数据集的示例。

图2 ARDL、NAÏVE、NON-DL数据集在SSFSE T2、DWI和ADC上的比较。女性,28岁,接受上腹部平扫MRI。轴位图像分别显示SSFSE T2序列的ARDL a、NAÏVE b、NON-DL c数据集;DWI序列的ARDL d、NAÏVE e、NON-DL f;ADC图的ARDL g、NAÏVE h和NON-DL i。获取匿名化数据集以进行定性图像分析,采用5点Likert量表评估锐利度、对比度、截断伪影、运动伪影和整体图像质量。在整体图像质量方面,ARDL数据集在所有数据集中显示出比NAÏVE和NON-DL数据集更高的图像质量。 查看原图 ↗

统计分析

连续变量根据事先用Kolmogorov–Smirnov检验评估的数据分布正态性,采用配对样本t检验或Wilcoxon检验进行比较。多重检验采用单因素重复测量方差分析(ANOVA)评估SNR和CNR,定性分析则采用Bonferroni校正P值。将采用t检验或Wilcoxon符号秩检验比较ARDL与NAÏVE MRI协议的采集时间。

将采用组内相关系数(ICC)研究定性值的观察者间一致性(0.21–0.40,一般;0.41–0.60,中等;0.61–0.80,好;0.81–1.00,优秀)。

双侧P值 < 0.05被认为具有统计学意义。

所有统计分析将使用SPSS(21.0;SPSS,Chicago,IL,USA)和MedCalc版本12.7.2(MedCalc Software,Ostend,Belgium)进行。

结果

患者人群

从最初57名志愿者的群体中,5名因手术导致的铁磁性伪影被排除,1名因幽闭恐惧症导致MRI协议不完整被排除,1名因多处运动伪影被排除。最终人群包括50名志愿者(19名男性,31名女性),平均年龄55.5 ± 20岁。

定量分析

轴位SSFSE T2定量分析显示,ARDL协议的SNR(181.40 ± 135.09)显著高于NAÏVE协议(109.79 ± 108.98,P = 0.0012)和NON-DL数据集(18.08 ± 12.26,P < 0.0001),且NAÏVE协议显著高于NON-DL采集(109.79 ± 108.98 vs. 18.08 ± 12.26,P < 0.0001)。

轴位SSFSE T2 CNR分析显示,ARLD数据集的值(674.76 ± 453.82)显著高于NAÏVE组(457.29 ± 449.25,P = 0.013),ARDL显著高于NON-DL协议(68.66 ± 39.06,P < 0.0001),NAÏVE显著高于NON-DL数据集(457.29 ± 449.25 vs. 68.66 ± 39.06,P < 0.0001)。

轴位DWI序列显示,ARDL与NAÏVE协议之间SNR无显著差异(181.15 ± 134.93 vs. 216.41 ± 157.47,P = 0.7231),ARDL与NON-DL数据集之间无显著差异(181.15 ± 134.93 vs. 161.65 ± 155.87,P = 1),NAÏVE与NON-DL序列之间无显著差异(261.41 ± 157.47 vs. 161.65 ± 155.87,P = 0.2517)。

轴位DWI序列CNR显示,ARDL与NAÏVE协议之间无显著差异(92.58 ± 84.32 vs. 93.06 ± 83.50,P = 1);相反,ARDL协议与NON-DL数据集相比观察到显著更高的CNR(92.58 ± 84.32 vs. 54.36 ± 48.90,P = 0.0170),NAÏVE协议与NON-DL协议相比亦显著更高(93.06 ± 83.50 vs. 54.36 ± 48.90,P = 0.0177)。

ADC图的SNR在ARDL与NAÏVE协议之间(3.97 ± 2.27 vs. 4.16 ± 1.60,P = 1)、ARDL与NON-DL数据集之间(3.97 ± 2.27 vs. 3.85 ± 1.66,P = 0.3366)以及NAÏVE与NON-DL图之间(4.16 ± 1.60 vs. 3.85 ± 1.66,P = 0.5179)均未显示出显著差异。

ADC图的CNR在ARDL协议与NAÏVE协议之间(7.97 ± 5.34 vs. 7.19 ± 3.89,P = 1)、ARDL协议与NON-DL组比较(7.97 ± 5.34 vs. 7.55 ± 5.45,P = 0.32)以及NAÏVE协议与NON-DL数据集比较(7.19 ± 3.89 vs. 7.55 ± 5.45,P = 0.5733)均未显示出显著差异。所有结果列于表1。

表1 轴向SSFE T2和DWI序列及ADC图中,ARDL与NAÏVE图像之间、ARDL与NON-DL图像之间以及NAÏVE与NON-DL图像之间信噪比(SNR)和对比噪声比(CNR)均值 ± 标准差的定量分析结果 查看原表 ↗

定性分析

定性图像分析显示,与NAÏVE协议相比,ARDL协议在SSFSE T2、DWI和ADC中所评估的特征(锐利度、截断、对比度、运动)均获得更高的显著性结果,ARDL协议与NON-DL序列比较亦然(均P < 0.05)。NAÏVE协议与NON-DL序列比较未观察到显著性结果(均P > 0.05),但DWI序列的截断伪影除外(3.48 ± 0.83 vs 2.92 ± 1.02,P = 0.0146)。

SSFSE T2的总体图像质量在ARDL协议中高于NAÏVE协议(4.94 ± 0.23 vs. 3.26 ± 0.75,P < 0.0001),ARDL与NON-DL数据集比较亦较高(4.94 ± 0.23 vs. 3.28 ± 0.60,P < 0.0001);NAÏVE协议与NON-DL数据集比较未观察到显著差异(3.26 ± 0.75 vs. 3.28 ± 0.60,P = 1)。

DWI序列的总体图像质量在ARDL协议中高于NAÏVE协议(4.22 ± 0.81 vs. 2.92 ± 0.85,P < 0.0001),ARDL与NON-DL数据集比较亦较高(4.22 ± 0.81 vs. 2.90 ± 0.73,P < 0.0001);NAÏVE协议与NON-DL数据集比较未观察到显著差异(2.92 ± 0.85 vs. 2.90 ± 0.73,P = 1)。

ADC图的总体图像质量在ARDL协议中高于NAÏVE协议(4.17 ± 0.77 vs. 3.07 ± 0.66,P < 0.0001),ARDL与NON-DL数据集比较亦较高(4.17 ± 0.77 vs. 2.46 ± 0.79,P < 0.0001),且NAÏVE协议与NON-DL数据集比较亦较高(3.07 ± 0.66 vs. 2.46 ± 0.79,P = 0.0070)。所有定性分析的详细结果列于表2。

图像分析的评分者间一致性极好(SSFSE T2的k = 0.8273,DWI的k = 0.8143,ADC图的k = 0.8165)。

表2 轴向SSFE T2和DWI序列及ADC图中,ARDL与NAÏVE图像之间、ARDL与NON-DL图像之间以及NAÏVE数据集与NON-DL数据集比较的定性分析结果,以均值 ± 标准差表示 查看原表 ↗

扫描时间

轴向SSFSE T2 ARDL的扫描时间显著低于NAÏVE,平均时间为19.08 ± 2.58 s对比24.11 ± 2.03 s(P < 0.001),ARDL协议相比NAÏVE协议时间减少31%。

DWI序列也可见类似结果,平均采集时间为207.33(3.45 min)± 54.03 s对比513.60(8.56 min)± 98.69 s(P < 0.001),ARDL协议相比NAÏVE协议时间减少60%。

讨论

本研究比较了深度学习MRI序列与非深度学习序列的图像质量。结果显示,与包括NON-DL数据集在内的NAÏVE方案相比,ARDL方案的SSFSE T2序列的SNR和CNR更高。在ARDL、NAÏVE和NON-DL数据集之间,未观察到DWI计算所得SNR的差异,ARDL与NAÏVE之间的CNR亦无差异;另一方面,DWI的CNR在ARDL方案中高于NAÏVE方案,在NAÏVE方案中高于NON-DL数据集。所有数据集的ADC图SNR和CNR均未观察到差异。

定性分析也获得了非常积极的结果,显示ARDL方案在SSFSE T2、DWI和ADC方面均优于NAÏVE和NON-DL数据集。此外,在所测试的两个序列中,ARDL方案的采集时间均显著缩短。

SSFSE T2序列在定量和定性分析方面的显著结果与Wang及其同事[16]报告的数据一致,该研究报道深度学习序列在前列腺MRI中较非深度学习方案显示出更好的图像质量和更少的伪影。

弥散加权成像分析显示了值得思考的有趣结果。未采用ARDL方案采集的DWI以高质量参数进行采集,可将其视为金标准。这些采集参数获得了高质量图像,但缺点是采集时间长。事实上,定量分析显示,与平均采集时间为三分钟的ARDL方案相比,SNR和CNR方面无显著差异,采集时间较NAÏVE方案缩短60%。此外,深度学习方案较NAÏVE方案显示出改善的图像质量。据我们所知,尚无针对腹部DWI的研究;然而,Misaka等[17]在女性盆腔方面进行了一项有趣的研究。他们构建了一种深度学习算法以改进单次激发快速自旋回波(SSTSE)序列,并将其与作为金标准的TSE以及SSTSE进行比较。结果显示,DL SSTSE在对比率和SNR方面优于SSTSE,而与TSE相比未观察到差异。DL方案的图像质量高于其他方案。尽管序列和解剖部位不同,但分析方法具有可比性,且与我们的结果一致。

在其他解剖部位也获得了DWI的类似结果[18, 19]。Kaye及其同事在前列腺MRI上提供了一个例子[19]。他们进行了一项比较研究,对采用高平均次数获得的DWI与一种基于低b值工作的回顾性引导去噪卷积神经网络(CNN)进行比较。在118例患者上进行的前列腺MRI研究结果分为训练集和验证集,显示与标准图像相比,其峰值信噪比更高、结构相似性指数更高、归一化均方误差更低。此外,与参考标准相比,引导去噪CNN的图像质量也更好。另外,从去噪DW图像获得的ADC图值与参考ADC值具有良好一致性。尽管使用的是回顾性方法且测试的算法不同,我们的结果在图像质量和缩短采集时间方面与之一致,这一点加强了AI和DL在临床成像中的作用。事实上,在不影响图像质量的情况下缩短采集时间将有助于改善临床成像排程。

所获得结果的另一个方面涉及NON-DL数据集。事实上,在所有分析的序列中,NON-DL数据集在定量图像分析和图像质量方面均较差。结果与NON-DL数据集的实际含义一致,该数据集代表在未应用ARDL的情况下使用非优化MRI参数获得的采集。NON-DL数据集通常保留在检查中供放射科医生查阅。事实上,起初放射科医生可能需要一些时间来熟悉ARDL算法,而非DL图像的想法有助于这一方向,尽管他们在几次扫描后实际上确实会使用ARDL数据集。

需要重要考虑的最后一个方面是ARDL对扫描时间的影响;与NAÏVE方案相比,ARDL方案的扫描更快,从SSFSE的31%到DWI的60%。我们的结果与现有文献一致,平均扫描时间缩短范围为30%至60%[18, 20]。在不影响图像质量的情况下缩短扫描时间代表了AI可实现的一个重要目标。这样做将有可能在不影响检查质量的情况下增加排程中的患者数量,从而净改善医疗流程。

尽管结果令人感兴趣,我们的研究仍有一些局限性,例如:缺乏对病变实体的分析;仅测试了MRI上腹部方案的兩個序列,这也是因为ARDL目前仅被批准用于2D序列的临床使用;缺乏与标准NAÏVE方案的比较,因为我们旨在测试采用DL的更高图像质量方案以评估图像质量;事实上,一些采集参数如矩阵或b值的平均次数分别在SSFSE T2和DWI采集中的设置不同。

结论

总之,将深度学习算法应用于SSFSE T2和DWI的MRI序列采集,在图像质量方面结果更好,并且在信噪比和对比噪声比方面与高质量非深度学习方案相当,同时使采集时间显著缩短。

引用

  1. Zerunian, Pucciarelli, Caruso, et al. Artificial intelligence based image quality enhancement in liver MRI: a quantitative and qualitative evaluation. Radiol Med. 2022. PMID: 36070066. doi:10.1007/s11547-022-01539-9
  2. 全文:PMC9512724(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9512724/

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。