基于生成对抗网络改善前列腺DWI图像质量的初步研究

• 作者: 左斌 朱灵梅 王海燕 杨香琴 黄艳 李亮
• 来源期刊: 放射学实践
• 学科: 医学
• 关键词: 前列腺肿瘤 人工智能 扩散加权成像 生成对抗网络 磁共振成像
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 腹部影像学|Original Articles
• 页码范围: 331-337
• 页数: 7页
• 分类号: R445.2|R737.25
• 语种: 中文
• DOI: 10.13609/j.cnki.1000-0313.2022.03.009

摘要

目的:本研究旨在构建并评估一种能够有效缩短前列腺扩散加权成像(DWI)扫描时间,提升图像质量的深度学习模型.方法:本研究共纳入150名于本院进行多参数磁共振前列腺检查,包括T1 WI、T2 WI、DWI(b=50 s/mm2,NEX=2)、a-DWI(b=1000 s/mm2,NEX=2)、b-DWI(b=1000 s/mm2,NEX=8)的临床患者.所有患者DWI图像按照2:1被随机分为训练集和验证集.训练集用于构建了一种基于生成对抗网络(GANs)的,能够利用低激励次数DWI生成高激励次数的深度学习模型.验证集数据用于测试模型效能.DWI质量评分比较采用Wilcoxon signed-rank检验.表观扩散系数(ADC)值的可重复性检验采用组内相关系数(ICC).以P<0.05为差异有统计学意义.结果:模型生成的s-DWI在噪声分布、结构以及纹理特征与b-DWI高度相似.b-DWI和s-DWI的图像质量差异无统计学意义(P>0.05),二者图像质量优于a-DWI,差异具有统计学意义(P<0.01).s-ADC和b-ADC存在方法间高度一致性(测量者1:ICC=0.96;测量者2:ICC=0.95).s-ADC和b-ADC的不同受试者间一致性均高于a-ADC(ICC分别为:a-ADC 0.52～0.66;b-ADC 0.87～0.96;s-ADC 0.88～0.95).s-ADC和b-ADC的ADC值在相同受试者内一致性亦均高于a-ADC.阅片者1的ICC分别为a-ADC 0.61～0.65、b-ADC 0.86～0.88、s-ADC 0.85～0.96.阅片者2的ICC分别为a-ADC 0.67～0.78、b-ADC 0.87～0.88、s-ADC 0.81～0.92.结论:基于GAN的深度学习算法可以有效地缩短前列腺DWI扫描时间,提升图像质量.