目的对比各向同性三维快速自旋回波(3 dimensional fast spin echo,3D-FSE)和三维快速场回波(3 dimensional fast field echo,3D-FFE)及二维快速自旋回波(2 dimensional fast spin echo,2D-FSE)对踝关节解剖结构显示的特点。方法随机选1...目的对比各向同性三维快速自旋回波(3 dimensional fast spin echo,3D-FSE)和三维快速场回波(3 dimensional fast field echo,3D-FFE)及二维快速自旋回波(2 dimensional fast spin echo,2D-FSE)对踝关节解剖结构显示的特点。方法随机选10名志愿者进行各向同性3D-FSE、3D-FFE及2D-FSE序列磁共振扫描以及三维重建,并测量各组织的信噪比(signal-to-noise ratio,SNR)、对比信噪比(contrast-to-noise ratio,CNR),用5分利克特表(5-point Likert scale)评估各序列各组织的成像质量。结果在各组织中的3D-FSE序列SNR最高,在软骨、肌肉、肌腱中其次为3D-FFE序列;软骨-骨髓、肌肉-肌腱、关节液-肌腱中的3DFSE的CNR最高,其次为3D-FFE,各序列间具有统计学差异(P<0.05)。主观评估三种序列踝关节软骨的成像质量,各序列间有统计学差异(P<0.05),3D-FFE成像质量最好,其次为3D-FSE。主观评估韧带中3D-FSE、2D-FSE序列均优于3D-FFE序列(P<0.05);主观评估肌腱中,除腓短肌腱外,其余肌腱都有统计学差异(P<0.05),且都是3D-FSE成像质量最好,其次为2D-FSE序列。结论各向同性3D-FSE序列具有最高的SNR、CNR,能任意平面重建,扫描时间短,可全面评估复杂关节的解剖结构,广泛应用临床。展开更多
文摘目的对比各向同性三维快速自旋回波(3 dimensional fast spin echo,3D-FSE)和三维快速场回波(3 dimensional fast field echo,3D-FFE)及二维快速自旋回波(2 dimensional fast spin echo,2D-FSE)对踝关节解剖结构显示的特点。方法随机选10名志愿者进行各向同性3D-FSE、3D-FFE及2D-FSE序列磁共振扫描以及三维重建,并测量各组织的信噪比(signal-to-noise ratio,SNR)、对比信噪比(contrast-to-noise ratio,CNR),用5分利克特表(5-point Likert scale)评估各序列各组织的成像质量。结果在各组织中的3D-FSE序列SNR最高,在软骨、肌肉、肌腱中其次为3D-FFE序列;软骨-骨髓、肌肉-肌腱、关节液-肌腱中的3DFSE的CNR最高,其次为3D-FFE,各序列间具有统计学差异(P<0.05)。主观评估三种序列踝关节软骨的成像质量,各序列间有统计学差异(P<0.05),3D-FFE成像质量最好,其次为3D-FSE。主观评估韧带中3D-FSE、2D-FSE序列均优于3D-FFE序列(P<0.05);主观评估肌腱中,除腓短肌腱外,其余肌腱都有统计学差异(P<0.05),且都是3D-FSE成像质量最好,其次为2D-FSE序列。结论各向同性3D-FSE序列具有最高的SNR、CNR,能任意平面重建,扫描时间短,可全面评估复杂关节的解剖结构,广泛应用临床。
文摘目的探讨基于注意力机制的深度学习(deep learning,DL)模型在骶髂关节(sacroiliac joint,SIJ)MRI冠状位T1序列图像预测中轴型脊柱关节炎(axial spondylarthritis,axSpA)患者新骨形成进展的临床价值。材料与方法回顾性分析2010年1月至2022年12月期间在南方医科大学第三附属医院诊断为axSpA的351例患者的初诊和随访1年、2年或3年的MRI图像,以8∶1∶1的比例随机分入训练集,验证集和测试集。开发基于注意力机制的Bifpn-YOLOv8模型,同时构建三个基线模型(YOLOv8、YOLOv7、Faster-RCNN)用于同Bifpn-YOLOv8比较模型效能。使用全类平均准确度(mean average precision,mAP)、F1分数、准确度、召回率、具体情境的常规物体(Common Objects in Context,COCO)指标评估各模型预测新骨形成进展的性能。其中,mAP_(50)和mAP_(50:95)分别代表不同交并比阈值下的全类平均准确度,COCO指标的平均准确度(average precision,AP)如AP,AP_(50),AP_(75)同理。结果Bifpn-YOLOv8模型在验证和测试集上均取得了良好的预测性能。同基线模型相比,该模型在测试集上取得了最优的mAP_(50)和mAP_(50:95),为83.8%和50.4%,结果同三个基线模型差异均存在统计学意义(P均<0.05)。同样,Bifpn-YOLOv8模型在测试集上获得了较基线模型更优的COCO指标,AP、AP_(50)、AP_(75)分别为50.5%、82.3%、58.6%。结论基于注意力机制的Bifpn-YOLOv8模型可以利用MRI图像有效预测axSpA患者SIJ新骨形成进展,该模型有望成为评估新骨形成进展的临床工具,辅助医师对axSpA患者进行临床决策和管理。
