目的评估超分辨率重建技术是否能提高基于T2WI图像的深度学习预测子宫内膜癌淋巴脉管间隙浸润(lymphvascular space invasion,LVSI)的诊断效能。材料与方法回顾性纳入406例病例,按照8∶2随机划分为训练集(n=325例)和验证集(n=81例)。我...目的评估超分辨率重建技术是否能提高基于T2WI图像的深度学习预测子宫内膜癌淋巴脉管间隙浸润(lymphvascular space invasion,LVSI)的诊断效能。材料与方法回顾性纳入406例病例,按照8∶2随机划分为训练集(n=325例)和验证集(n=81例)。我们对常规盆腔矢状位T2WI图像进行超分辨率重建,得到超分辨率T2WI(super high resolution T2WI,SRT2)图像。分别基于常规T2WI及SRT2图像进行深度学习建模,以预测子宫内膜癌LVSI状态。随后,在验证集中对两组图像构建的模型进行验证,对比两个模型在训练集及验证集的诊断效能。以病理诊断为金标准,评估指标包括:曲线下面积(area under the curve,AUC),敏感度、特异度,并采用DeLong检验比较模型差异。结果在训练集及验证集中,基于常规T2WI图像的深度学习模型AUC(95%置信区间)分别为0.792(0.733~0.851)、0.759(0.649~0.870),敏感度分别为77.50%、68.18%,特异度分别为77.08%、80.67%;基于SRT2图像的深度学习模型AUC(95%置信区间)分别为0.897(0.852~0.943)、0.899(0.819~0.980),敏感度分别为87.80%、86.40%,特异度分别为88.45%、89.20%。两个模型在训练集及验证集中的差异均有统计学意义(P<0.05),基于SRT2的深度学习模型表现更优。结论超分辨率重建技术有望通过提高图像质量进而提升深度学习术前预测子宫内膜癌LVSI的诊断效能。展开更多
目的观察基于深度学习重建(DLR)的超快速扫描方案用于颈椎MR扫描的可行性及其诊断价值。方法前瞻性对36名受试者分别采用常规(扫描时间6 min 14 s)及超快速(2 min)扫描方案采集颈椎MR矢状位T1WI、脂肪抑制矢状位图像及轴位T2WI;以DLR方...目的观察基于深度学习重建(DLR)的超快速扫描方案用于颈椎MR扫描的可行性及其诊断价值。方法前瞻性对36名受试者分别采用常规(扫描时间6 min 14 s)及超快速(2 min)扫描方案采集颈椎MR矢状位T1WI、脂肪抑制矢状位图像及轴位T2WI;以DLR方法重建超快速MRI。比较不同图像质量主、客观评价结果,以及观察者间诊断椎间盘退行性病变和椎间盘突出的一致性。结果与常规图像相比,超快速-DLR图像伪影显著减少(P<0.05)。观察者间主观评估图像质量结果的一致性均为良好(Kappa均≥0.60)。相比常规图像,超快速-DLR矢状位T1WI、T2WI及轴位T2WI中,脊髓、脑脊液(CSF)和椎体信噪比及脊髓/CSF对比度均显著提高(P均<0.001)。2名医师基于超快速-DLR和常规图像诊断椎间盘退行性病变的Kappa值分别为0.94、1.00,诊断椎间盘突出时分别为0.96、0.98。结论相比常规扫描方案,超快速-DLR用于颈椎MR检查可缩短扫描时间,而所获图像质量及诊断效能与之相似。展开更多
文摘目的评估超分辨率重建技术是否能提高基于T2WI图像的深度学习预测子宫内膜癌淋巴脉管间隙浸润(lymphvascular space invasion,LVSI)的诊断效能。材料与方法回顾性纳入406例病例,按照8∶2随机划分为训练集(n=325例)和验证集(n=81例)。我们对常规盆腔矢状位T2WI图像进行超分辨率重建,得到超分辨率T2WI(super high resolution T2WI,SRT2)图像。分别基于常规T2WI及SRT2图像进行深度学习建模,以预测子宫内膜癌LVSI状态。随后,在验证集中对两组图像构建的模型进行验证,对比两个模型在训练集及验证集的诊断效能。以病理诊断为金标准,评估指标包括:曲线下面积(area under the curve,AUC),敏感度、特异度,并采用DeLong检验比较模型差异。结果在训练集及验证集中,基于常规T2WI图像的深度学习模型AUC(95%置信区间)分别为0.792(0.733~0.851)、0.759(0.649~0.870),敏感度分别为77.50%、68.18%,特异度分别为77.08%、80.67%;基于SRT2图像的深度学习模型AUC(95%置信区间)分别为0.897(0.852~0.943)、0.899(0.819~0.980),敏感度分别为87.80%、86.40%,特异度分别为88.45%、89.20%。两个模型在训练集及验证集中的差异均有统计学意义(P<0.05),基于SRT2的深度学习模型表现更优。结论超分辨率重建技术有望通过提高图像质量进而提升深度学习术前预测子宫内膜癌LVSI的诊断效能。
文摘目的观察基于深度学习重建(DLR)的超快速扫描方案用于颈椎MR扫描的可行性及其诊断价值。方法前瞻性对36名受试者分别采用常规(扫描时间6 min 14 s)及超快速(2 min)扫描方案采集颈椎MR矢状位T1WI、脂肪抑制矢状位图像及轴位T2WI;以DLR方法重建超快速MRI。比较不同图像质量主、客观评价结果,以及观察者间诊断椎间盘退行性病变和椎间盘突出的一致性。结果与常规图像相比,超快速-DLR图像伪影显著减少(P<0.05)。观察者间主观评估图像质量结果的一致性均为良好(Kappa均≥0.60)。相比常规图像,超快速-DLR矢状位T1WI、T2WI及轴位T2WI中,脊髓、脑脊液(CSF)和椎体信噪比及脊髓/CSF对比度均显著提高(P均<0.001)。2名医师基于超快速-DLR和常规图像诊断椎间盘退行性病变的Kappa值分别为0.94、1.00,诊断椎间盘突出时分别为0.96、0.98。结论相比常规扫描方案,超快速-DLR用于颈椎MR检查可缩短扫描时间,而所获图像质量及诊断效能与之相似。
