文献速递骨肌MR

深度学习重建用于肩痛患者肩部MRI去噪与图像增强的评估

Evaluation of a deep learning-based reconstruction method for denoising and image enhancement of shoulder MRI in patients with shoulder pain.
PubMed 文献 · Eur Radiol · 2023-02-18

前瞻性纳入38例肩痛患者,比较压缩感知(CS)与压缩感知联合深度学习(CS DL)重建的肩部MRI。CS DL在保持病变检出准确性的同时显著提高图像质量、信噪比和对比噪声比,对肩袖、关节软骨和腋隐窝显示更佳。

要点

  • CS DL重建可显著降低肩部MRI噪声并提高图像质量,不损失病变检出信息。
  • 肩袖、关节软骨、腋隐窝等结构的可见性在CS DL图像上显著优于CS。
  • CS DL重建时间约80秒,较CS的40秒略有增加,但无需额外后处理。

核心结论

  • 基于深度学习的压缩感知重建(CS DL)用于肩部MRI去噪和图像增强是可行的,能提高图像质量和信噪比,且不损失病变诊断信息。

研究设计与样本

  • 前瞻性研究,纳入38例肩痛患者(14例女性,平均年龄40.0±15.2岁),采用3T MRI和16通道肩线圈,采集伪随机密度加权k空间加速因子2.5的CS数据,分别用CS和CS DL重建。
  • 由两名放射科医生(分别有4年和10年肌肉骨骼影像经验)独立盲法阅片,使用4点Likert量表评估图像质量、解剖标志可见性和病变,以CS图像为参考标准。

关键影像表现/征象

  • CS DL重建图像整体噪声明显降低,骨性Bankart碎片、盂唇缺损和肩袖肌腱病变边界显示更平滑清晰。
  • CS DL图像上肩袖肌腱、关节软骨、肩袖间隙和腋隐窝的可见性评分显著高于CS图像。
  • CS DL重建的信噪比在韧带和肌肉上显著更高,软骨/液体和韧带/液体的对比噪声比显著更高。

诊断标准与关键数值

  • 病变检出一致性:CS DL与CS图像间总体一致性κ=0.95(95%CI 0.82-1.00),为实质至几乎完美一致。
  • 图像质量评分(4点Likert):读者1 CS 2.8±0.3 vs CS DL 3.7±0.1(p=0.02);读者2 CS 2.7±0.1 vs CS DL 3.8±0.3(p=0.01)。
  • 信噪比:韧带CS DL vs CS p=0.01,肌肉p=0.04;对比噪声比:软骨/液体p=0.02,韧带/液体p=0.03。
  • 诊断信心评分(4点Likert):读者2 CS 2.9±0.2 vs CS DL 3.7±0.1(p=0.04),读者1未达显著(p=0.18)。

临床应用与阅片要点

  • CS DL重建可用于常规肩部MRI,尤其适用于图像噪声较大或病变细微的病例,有助于提高诊断信心。
  • CS DL不改变扫描时间,重建自动完成,无需额外后处理,可直接整合到临床工作流。
  • 阅片时应注意CS DL可能使部分肌腱病变被误判为部分撕裂(再测一致性κ=0.84),需结合多序列综合判断。

局限性

  • 样本量较小(38例)且病种混杂,需更大规模单病种研究验证。
  • 以CS图像而非关节镜或手术作为参考标准,仅9例急性骨折有CT对照。
  • CS DL重建未实现加速,扫描时间与CS相同,未来需优化序列以评估加速或提高分辨率的潜力。
全文中译12 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. 2023 Feb 18;33(7):4875–84. doi: 10.1007/s00330-023-09472-9

引言

在现代社会,肩痛非常常见,并可能损害日常生活和工作活动[1]。在普通人群中,急性和慢性肩痛通常源于肩袖病变及其他软组织结构的病变[2]。目前,磁共振成像(MRI)是肩痛成像的首选模态,因为其具有高对比度和高分辨率,尤其是在怀疑软组织病变时[3, 4]。对于肩痛患者,肩部MRI检查常常具有挑战性(呼吸伪影、疼痛引起的运动伪影等)以及手术可能导致的潜在伪影[5, 6]。此外,图像质量常因图像噪声增加(如莱斯噪声)而受损,或受表面线圈限制,即位于线圈单元外周的组织由于噪声增加而较难评估[7]。因此,图像噪声增加可能导致诊断不准确或图像分析受损[7]。

此前已引入不同策略以减少图像噪声,包括主要基于滤波、变换或统计方法的传统方法,以及基于卷积神经网络(CNN)和生成对抗网络(GAN)的现代深度学习(DL)方法[7–14]。传统的基于块的去噪方法如非局部均值(NLM)算法依赖于自然图像的自空间相似性,并已被证明与基于并行加速成像的迭代图像重建方法(如SENSE和GRAPPA)兼容[10, 11, 15–17]。在近期研究中,有人建议将基于深度学习的算法应用于加速MR扫描的重建以及图像去噪[12, 14, 18, 19]。Zhang等人创建了一种监督前馈CNN,将噪声与含噪观测分离,并使用残差模块和批归一化来加速去噪性能[12]。作为一种自学习自监督图像去噪网络,Xu等人提出了“Noisy-As-Clean”网络[13]。该方法将受损的测试图像声明为地面真值(“干净”目标),并使用合成图像来训练网络,合成图像由对受损测试图像的小幅改动组成。总体而言,CNN和GAN应用自学习重建方案,与经典迭代重建方案相比,在减少图像噪声和加速MR成像数据采集过程方面已显示出有前景的结果[18, 20–24]。这些基于DL的方法应用重建方案以从欠采样MR数据计算高质量图像。

在本研究中,我们使用了一个重建框架,该框架利用一种新型CNN来整合和增强基于自适应CS网络的常规CS算法,该网络此前由Pezzotti等人描述[18]。因此,本研究的目的是评估该重建框架(结合PI、CS和基于DL的算法(CS DL))在多平面肩部MRI上评估各种肩部病变时的诊断性能和去噪能力,并与仅使用CS重建的图像进行比较。

方法和材料

研究参与者

在这项前瞻性研究中,纳入了2021年6月至2022年1月期间就诊于骨科与创伤外科的肩痛患者(N = 38,平均年龄40 ± 15.2岁,14名女性)。患者因各种病变表现为肩痛,包括疑似慢性退行性改变(n = 21)、急性创伤(n = 9)以及不明原因肩痛(n = 8)。所有研究参与者在纳入前均签署知情同意书。本研究经我院机构审查委员会批准(德国慕尼黑工业大学医学院伦理委员会;伦理提案编号42/21S)。为计算适当的研究参与者数量,使用先前研究的数据进行了先验效能分析[25]。利用仅采用CS的踝关节MRI与采用深度学习重建CS的踝关节MRI之间SNR计算的数据,模拟两组之间的比较。最终确定每组至少24名受试者的样本量以达到效能 > 0.8。因此,我们纳入38名参与者以确保比较时各组样本量充足。

磁共振成像

每位患者均使用专用16通道肩关节线圈接受3-T MRI检查(Ingenia Elition;Philips Healthcare)。采用临床常规成像方案,包括带频谱脂肪饱和的三平面中间加权(IM)涡轮自旋回波(TSE)序列、矢状面T2加权TSE序列和冠状面T1加权TSE序列。详细扫描参数见表1。所有采集数据均采用标准CS和CS DL进行重建。

表1 本研究所用序列的序列参数 查看原表 ↗

C-SENSE DL

本研究中所研究的CS DL重建基于自适应CS网络,如Pezzotti等[18]先前所述。该网络利用一种新型CNN来整合并增强传统CS算法。自适应CS网络是Zhang和Ghanem[26]提出的基于深度学习的迭代收缩阈值算法(ISTA)网络的改进。它以针对特定问题的可学习方式整合了多尺度稀疏化。此外,基于CNN的稀疏化方法与CS的图像重建方法相结合,从而确保数据一致性。线圈灵敏度分布和图像背景位置等先验信息也被自动纳入。因此,自适应CS网络将并行成像、压缩感知和深度学习结合为单一算法,并在CS算法中用CNN替代小波变换作为稀疏化变换。本研究中使用的自适应CS网络最初使用约740,000幅来自不同解剖区域的MR图像数据集进行训练,这些图像使用1.5-T和3-T MR成像采集。与该网络先前报道的版本[18]不同,该算法经过改进以在标准重建硬件上运行。重建在扫描仪上进行,CS DL重建耗时约80秒,而标准CS重建耗时约40秒。

定量图像分析

仅对CS和CS DL使用已建立的减影方法计算信噪比(SNR)和对比噪声比(CNR)值(图1和图2)[27–29]。因此,十名患者的序列在同一检查时段内被采集两次。使用内置MRI软件对重复序列进行减影,生成噪声图,在连续三个层面上将感兴趣区置于相同位置。SNR按先前描述的方法计算[27]:

SI1测量第一组序列中ROI的信号强度,SI2测量第二组序列中ROI的信号,SI3测量噪声图中ROI的信号。随后对肌肉、韧带、关节液、软骨下骨和脂肪进行SNR计算。CNR通过将组织1的SNR减去组织2的SNR计算,并分别计算软骨/液体、软骨下骨/软骨、韧带/液体和韧带/脂肪的CNR。

图1 软骨下骨、液体、软骨、韧带、肌肉和脂肪的计算SNR。CS DL重建的韧带和肌肉SNR值显著更高(韧带p = 0.01,肌肉p = 0.04) 查看原图 ↗
图2 软骨/液体、软骨下骨/软骨、韧带/液体和韧带/脂肪的计算CNR。与标准CS图像相比,CS DL重建的软骨/液体和韧带/液体CNR值显著更高(p < 0.05) 查看原图 ↗

半定量图像分析

图像阅片由两名经验丰富的放射科医师分别独立进行,并对所有临床信息设盲(Y.L.具有4年肌肉骨骼成像经验,J.N.具有10年肌肉骨骼成像经验)。阅片在经临床使用认证的PACS工作站上进行(IDS7 21.2,Sectra)。标准CS图像和CS DL重建图像的阅片之间至少间隔3周。对于阅片者内可重复性,两名放射科医师在4周后对10名患者再次进行评估。

对CS和CS DL图像进行分析,依据部分容积效应、模糊、图像噪声、信号不均匀性及与相邻结构的区分程度,以4点Likert量表(1=不充分,2=充分,3=良好,4=优秀)对解剖标志的可见性进行分级[27]。评估可见性的标志如下:肩袖肌腱和肌肉、肱二头肌锚点、肱二头肌长头腱、肩袖间隙、肩锁关节、关节软骨、腋窝隐窝和盂唇。整体图像质量也基于整体图像表现采用4点Likert量表进行评估。此外,还对肩袖肌腱、肱二头肌长头腱、肩袖肌肉、盂肱软骨、骨骼、滑囊、肩锁关节、盂唇和关节囊的可见性及病变存在情况进行评估。骨骼评估骨髓水肿、软骨下囊肿或骨质缺损,如Bankart损伤和Hill-Sachs损伤[30]。肩袖肌腱评估肌腱病变,包括肩峰下撞击、肩袖肌腱炎/肌腱变性及钙化性肌腱炎,脂肪浸润按照Goutallier等[31]的方法进行分级。肱二头肌肌腱评估肌腱变性改变、脱位以及肱二头肌滑车病变。盂唇的解剖变异按照Kanatli等[32]的方法进行分级(关于异常分级的详细信息,见表2)。读片的整体诊断信心也基于读者对病变评估的信心程度采用4点Likert量表进行分级。运动伪影、模糊或图像噪声的严重程度半定量分类为无、轻微和严重伪影。

表2 肩部评估的异常/病变及检出数量 查看原表 ↗

统计分析

数据使用IBM SPSS 25.0版(IBM Corp.)进行分析。所有统计检验均为双侧检验,所有检验的显著性水平(α)为0.05。采用Shapiro-Wilk检验检验数据是否为正态或非正态分布。正态分布的数值变量比较采用配对t检验,非正态分布的数值变量和分类变量在CS与CS DL图像评估之间的比较采用Wilcoxon符号秩检验。二分类变量采用McNemar检验。为评估观察者间和观察者内一致性,有序尺度数据采用Cohen's kappa,名义尺度数据采用双向随机效应模型、绝对一致性的组内相关系数。其值可解释为差(0)、轻微(0.0–0.2)、一般(0.21–0.40)、中等(0.41–0.60)、显著(0.61–0.80)和几乎完美(0.81–1.00)[33, 34]。所有测量均计算95%置信区间(CI)。

结果

肩部病变/异常的评估

与标准CS图像相比,两位阅片者在CS DL重建图像上几乎准确检测出所有病变,差异无统计学意义(阅片者1和2:κ 0.95(95%置信区间0.82–1.00))。共检测到9处急性骨折,其中7处为骨性Bankart病变(图3、4和5),2处为肱骨骨折。此外,检测到4处部分撕裂(图6)和1处一条或多条肩袖肌腱完全撕裂。7例患者检测到关节积液,28例患者显示肩锁关节骨关节炎征象。病变的详细数量和分布列于表2。两位阅片者对CS DL图像上所检测病变的总体诊断信心均高于CS,且该发现在一位阅片者中达到统计学显著性水平(阅片者1 CS:3.2 ± 0.1,CS DL 3.8 ± 0.2,p = 0.18;阅片者2 CS:2.9 ± 0.2,CS DL 3.7 ± 0.1,p = 0.04,表3)。与标准CS图像相比,CS DL重建的总体图像质量评分显著更高(阅片者1 CS 2.8 ± 0.3,CS DL 3.7 ± 0.1,p = 0.02;阅片者2 CS 2.7 ± 0.1,CS DL 3.8 ± 0.3,p = 0.01)。运动伪影评分未检测到显著差异(阅片者1 CS:3.7 ± 0.4,CS DL 3.8 ± 0.4,p = 0.23;阅片者2 CS:3.7 ± 0.4和CS DL 3.8 ± 0.5,p = 0.25)。在CS DL重建图像以及仅CS图像中均未检测到严重运动伪影。

图3 一名34岁急性Bankart骨折参与者的横断面IM加权TSE序列。B 横断面图像的高分辨率CS DL重建,图像噪声明显降低,盂缘骨折边界清晰可辨(白箭头) 查看原图 ↗
图4 一名46岁右肩前骨折脱位患者。A 标准矢状面IM加权TSE序列,显示整个图像噪声增加。B IM加权TSE序列的CS DL重建,总体噪声明显降低,骨性Bankart骨折块边界更平滑(白箭头) 查看原图 ↗
图5 一名64岁急性肩关节脱位后患者,肱骨头偏心及前下盂唇病变。(A)注意高分辨率CS DL重建(B)中噪声降低及盂唇缺损显示平滑(白箭头) 查看原图 ↗
图6 一名54岁肩袖肌腱病改变患者,尤其是冈上肌腱。A 标准冠状面T1加权TSE序列。B T1加权TSE序列的CS DL重建,总体噪声降低,冈上肌腱肌腱病辨别更平滑(白箭头) 查看原图 ↗
表3 平均图像质量、运动伪影和诊断信心的比较 查看原表 ↗

解剖特征的可见性

两位读者记录的解剖区域总体可见度在压缩感知(CS)深度学习(DL)重建中均更高,但未达到统计学显著性(读者1 CS DL 2.5 ± 0.2,3.1 ± 0.3,p = 0.17;读者2 CS DL:2.4 ± 0.4 和 CS:3.2 ± 0.2,p = 0.31)。肩袖肌腱的可见度显著增加(读者1 CS 2.3 ± 0.4,CS DL 3.5 ± 0.3,p = 0.04;读者2 CS 2.2 ± 0.4,CS DL 3.5 ± 0.3,p = 0.03)、关节软骨(读者1 CS:2.3 ± 0.4,CS DL 3.5 ± 0.2,p = 0.03;读者2 CS:2.2 ± 0.2,CS DL 3.5 ± 0.3,p = 0.02)、肩袖间隙(读者1 CS:2.4 ± 0.4,CS DL 3.5 ± 0.1,p = 0.02;读者2 CS:2.4 ± 0.1,CS DL 3.4 ± 0.2,p = 0.03)和腋窝隐窝(读者1 CS:2.0 ± 0.6,CS DL 3.2 ± 0.4,p = 0.02;读者2 CS:2.1 ± 0.4,CS DL 3.2 ± 0.3,p = 0.04)。肱二头肌锚点的可见度也检测到增加(读者1 CS:2.1 ± 0.3,CS DL 3.1 ± 0.4,p = 0.06;读者2 CS:2.3 ± 0.3,CS DL 3.2 ± 0.2,p = 0.05)、肩锁(AC)关节(读者1 CS:2.6 ± 0.3,CS DL 3.6 ± 0.2,p = 0.26;读者2 CS:2.7 ± 0.3,CS DL 3.6 ± 0.2,p = 0.34)和盂唇(读者1 CS:2.6 ± 0.3,CS DL 3.6 ± 0.2,p = 0.26;读者2 CS:2.7 ± 0.3,CS DL 3.6 ± 0.2,p = 0.34),但这些结果未达到显著性水平(表4)。肱二头肌长头腱、肌肉和骨骼的可见度仅见轻微增加。CS DL重建中没有任何解剖区域的评分低于标准CS图像。

表4 肩部解剖区域的可见度 查看原表 ↗

定量图像分析

与标准CS图像相比,CS DL重建的韧带和肌肉检测到显著更高的信噪比(SNR)值(韧带 p = 0.01,肌肉 p = 0.04)。尽管CS DL重建的SNR值总体更高,但脂肪、关节液和软骨下骨未达到统计学显著性(图1)。比较对比噪声比(CNR)值,CS DL重建的软骨/液体和韧带/液体CNR值显著高于标准CS图像(软骨/液体 p = 0.02,韧带/液体 p = 0.03;图2)。

读者间和读者内一致性

病变检测和分级的读者间一致性为高度至几乎完全一致(κ 0.89(95%置信区间 0.71–1.00))。解剖区域可见度分级的一致性也为高度至几乎完全一致(κ 0.94(95%置信区间 0.89–1.00))。对于读者内信度,两位读者在至少4周后重新评估了10例患者的图像。两位读者的读者内一致性总体为高度至几乎完全一致(范围 κ 0.84至1.00)。所有急性病变在CS DL重建上再次被准确识别(两位读者 κ 1.00(95% CI 1.00–1.00))。仅在两名患者中,冈上肌腱的肌腱病变被评定为部分撕裂(κ 0.84(95%置信区间 0.75–1.00))。

讨论

本研究探讨了一种基于压缩感知深度学习的图像重建与去噪框架的应用,结果表明该框架可行,能够提高图像质量,同时在评估肩部各种病变方面保持准确性。采用压缩感知深度学习(CS DL)重建的图像总体上显示出显著更高的图像质量和更高的诊断置信度,表明更好的图像质量和解剖标志的可见性可能有助于病变的可视化和鉴别。CS DL重建中图像质量的提高和去噪可能对存在细微表现和图像噪声增加的患者尤为有益。几乎所有病变在CS DL重建图像上的检出情况与标准CS图像相同,未因基于深度学习的重建算法而丢失信息。此外,与标准CS重建相比,CS DL图像中关节软骨、肩锁(AC)关节和肩袖肌腱的可见性评分更高。图像噪声的降低还改善了组织间的区分度,这可能有助于急性骨折或退行性改变等的检出和评估。由于去噪处理,CS DL重建中韧带和肌肉的SNR值显著更高,进一步提高了图像质量。CS DL重建中软骨/液体和韧带/液体的CNR显著更高。总体而言,CS DL重建所降低的图像噪声在评估更周边的病变(如肱二头肌肌腱、肌肉或肩胛骨损伤)时可能尤为有用,并可能有助于识别原本难以区分的细微病变。

在近期研究中,已提出了多种基于深度学习的方法来增强CS成像的重建质量并降低噪声。Manimala等成功实现了一种CNN,用于对受莱斯噪声污染的稀疏MR图像进行快速去噪[19]。该算法利用基于图像块的处理来更新和优化权重字典。此外,该方法无需估计噪声水平即可使用,并且与NLM等传统方法相比能更好地保留局部结构[19]。Chaudhari等实现了一种名为“DeepResolve”的基于深度学习的3D CNN,用于从采集的较厚层图像重建小层厚高分辨率图像,并能够实现更优的定量和定性诊断性能[35]。Quan等开发了一种卷积自编码器和GAN,采用更深的生成器和判别器网络,并结合循环数据一致性损失,用于对欠采样k空间数据进行插值[36]。这使得图像采集更快,同时通过链式网络提高了重建质量。在一项回顾性研究中,Koch等成功利用神经网络对肩部和髋部MRI进行去噪,该网络采用监督学习方法训练,使用高空间分辨率、高信噪比图像与合成的低分辨率、低信噪比图像配对进行训练[37]。

据我们所知,上述研究均未在较大的患者队列中前瞻性评估肩部病变及伴有创伤性和非创伤性病变的解剖结构。此外,本研究使用的压缩感知(CS)深度学习(DL)算法在采集过程中自动完成图像重建,无需进一步耗时的后处理。我们发现CS DL重建通常适用且可靠,然而,其对图像质量的改善程度因病变类型和患者配合度而异,获益有大有小。此外,我们的研究在临床常规环境中进行,我们的框架适用于所有标准3 T MRI扫描仪,可应用于扫描方案而无需特殊硬件。

在我们当前的工作中,CS DL重建未进行加速,意味着扫描时间没有差异。CS和CS DL图像均由同一数据重建,以尽量减少两种技术采集数据质量差异所致的差异和混杂因素。然而,在未来的工作中,有必要对CS DL序列进行全面优化,以研究CS DL相较于目前标准CS所能实现的进一步图像加速或分辨率提高的影响。

我们的研究存在某些需要说明的局限性。首先,我们检查了一个由38名患有各种肩部疾病和损伤的患者组成的不均质患者群体。未来需要更大研究队列、包含同一病变多例病例的研究,以证明CS DL重建对各种病变的适用性。作为对照,标准CS图像被用作参考标准,但没有其他模态(如关节镜)可用。因此,诊断未经外部参考标准验证。仅在伴有骨折的急性创伤病例(n = 9)中,才有额外的常规CT扫描可用。

肩部病变的评估是可行的,图像质量和信噪比(SNR)显著提高,同时在使用基于压缩感知深度学习的图像重建框架时,对病变的评估仍保持准确。与标准CS重建相比,图像噪声降低改善了解剖标志的质量和可见性,可能有助于检测甚至细微的病变。在临床常规中,这种自动重建和去噪技术在处理具有挑战性的MRI采集时可能特别有用,例如创伤性肩部损伤。

引用

  1. Feuerriegel, Weiss, Kronthaler, et al. Evaluation of a deep learning-based reconstruction method for denoising and image enhancement of shoulder MRI in patients with shoulder pain. Eur Radiol. 2023. PMID: 36806569. doi:10.1007/s00330-023-09472-9
  2. 全文:PMC10289918(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10289918/

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。