一种深度学习模型，用于降低小脑桥脑角池增强磁共振成像（MRI）中患者的辐射剂量

《European Radiology》：A deep learning model to reduce agent dose for contrast-enhanced MRI of the cerebellopontine angle cistern

本研究通过多中心回顾性分析，验证深度学习模型在降低小脑桥前庭角（CPA）对比增强T1加权MRI剂量的同时保持图像质量与病灶分割精度的有效性。结果显示，当剂量降至10%-30%时，图像质量评分达3分（IQR 3-3至4-3），结构相似性指数和信噪比分别提升至0.993和41.4 dB，分割指标Dice值提高至0.734，Hausdorff距离降至2.07 mm。临床表明，该模型显著减少钆剂使用，同时维持诊断所需的信息完整性。

　　

摘要

目的

评估一种深度学习（DL）模型，以减少小脑桥脑角（CPA）池增强T1加权磁共振成像（T1ce）中对比剂的用量。

材料与方法

在这项多中心回顾性研究中，使用前庭神经鞘瘤（VS）患者的T1和T1ce图像来模拟不同对比剂剂量下的低剂量T1ce。训练深度学习模型从低剂量模拟数据中恢复标准剂量的T1ce图像。评估了深度学习恢复的T1ce图像的质量和分割性能。一名头颈放射科医生被要求从多个方面对深度学习恢复的图像进行评分，包括图像质量和诊断特征。

结果

共评估了72名VS患者（平均年龄58.51±14.73岁，39名男性）的203份MRI检查数据。随着输入剂量的增加，恢复的T1ce的结构相似性指数从0.639±0.113增加到0.993±0.009，峰值信噪比从21.6±3.73 dB增加到41.4±4.84 dB。在10%的输入剂量下，使用深度学习恢复的T1ce进行分割时，Dice值从0.673提高到0.734，95% Hausdorff距离从2.38 mm减少到2.07 mm，平均表面距离从1.00 mm减少到0.59 mm。无论是10%还是30%的输入剂量，深度学习恢复的T1ce图像都显示出优异的质量（四分位数范围[IQR] [Q3-Q1]分别为3-3和3-3），其中30%剂量下的图像被认为更具信息量（四分位数范围[IQR] [Q3-Q1]为4-3）。

结论

深度学习模型改善了低剂量MRI下CPA池的图像质量，使得使用标准剂量的10-30%即可实现病变检测和诊断特征分析。

要点

问题 目前尚未对用于小脑桥脑角池MRI的深度学习模型在减少对比剂用量方面的效果进行广泛评估。

发现 深度学习模型成功恢复了低剂量下的小脑桥脑角池MRI图像，这些图像足以用于前庭神经鞘瘤的诊断和管理。

临床意义 深度学习模型使得可以减少小脑桥脑角池增强MRI中对钆基对比剂的使用量。

图形摘要

目的

评估一种深度学习（DL）模型，以减少小脑桥脑角（CPA）池增强T1加权磁共振成像（T1ce）中对比剂的用量。

材料与方法

在这项多中心回顾性研究中，使用前庭神经鞘瘤（VS）患者的T1和T1ce图像来模拟不同对比剂剂量下的低剂量T1ce。训练深度学习模型从低剂量模拟数据中恢复标准剂量的T1ce图像。评估了深度学习恢复的T1ce图像的质量和分割性能。一名头颈放射科医生被要求从多个方面对深度学习恢复的图像进行评分，包括图像质量和诊断特征。

结果

共评估了72名VS患者（平均年龄58.51±14.73岁，39名男性）的203份MRI检查数据。随着输入剂量的增加，恢复的T1ce的结构相似性指数从0.639±0.113增加到0.993±0.009，峰值信噪比从21.6±3.73 dB增加到41.4±4.84 dB。在10%的输入剂量下，使用深度学习恢复的T1ce进行分割时，Dice值从0.673提高到0.734，95% Hausdorff距离从2.38 mm减少到2.07 mm，平均表面距离从1.00 mm减少到0.59 mm。无论是10%还是30%的输入剂量，深度学习恢复的T1ce图像都显示出优异的质量（四分位数范围[IQR] [Q3-Q1]分别为3-3和3-3），其中30%剂量下的图像被认为更具信息量（四分位数范围[IQR] [Q3-Q1]为4-3）。

结论

深度学习模型改善了低剂量MRI下CPA池的图像质量，使得使用标准剂量的10-30%即可实现病变检测和诊断特征分析。

要点

问题 目前尚未对用于小脑桥脑角池MRI的深度学习模型在减少对比剂用量方面的效果进行广泛评估。

发现 深度学习模型成功恢复了低剂量下的小脑桥脑角池MRI图像，这些图像足以用于前庭神经鞘瘤的诊断和管理。

临床意义 深度学习模型使得可以减少小脑桥脑角池增强MRI中对钆基对比剂的使用量。

图形摘要