深度学习重建技术提升前列腺病变检测中合成扩散加权成像质量

为探究 DLR 对 sDWI 影像质量的影响，研究发现其能提升影像质量，增强前列腺病变检测。

　　目的：探究深度学习重建（DLR）对用于前列腺病变检测的合成扩散加权成像（sDWI）主观和客观图像质量的影响。
方法：47 名患者接受前列腺磁共振成像（MRI），采用 DLR 和传统重建（ConR）技术分别重建低 b 值扩散加权成像（DWI），即 aB50/800_DLR 和 aB50/800_ConR。此外，从 DWI_DLR 和 DWI_ConR 计算出 b 值为 1500 s/mm²的 sDWI，即 sB1500_DLR 和 sB1500_ConR。使用 5 分制评分量表对成像数据集进行主观评估。定量分析包括评估良性病变和前列腺癌（PCa）的信噪比（SNR）、对比噪声比（CNR）和表观扩散系数（ADC）值。比较主观和定量评估的一致性和差异。
结果：所有评估变量均呈现出良好的观察者间一致性（所有 κ 值和组内相关系数（ICC）＞0.60）。与 ConR 成像相比，DLR 显示出更好的图像质量，5 分制李克特量表评分显著更高（P＜0.05）。sB1500-DLR 在整体图像质量、伪影、良性病变清晰度和 PCa 清晰度方面得分最高。对于前列腺病变，aB50/800-DLR、sB1500-DLR 和 ADC-DLR 图像的 SNR 和 CNR 显著高于 ConR（P＜0.05）。对于良性病变和 PCa，aB50-DLR 图像的 SNR 高于 aB800-DLR 和 sB1500_DLR（平均值 ± 标准差：分别为 56.49±20.63 和 47.44±14.32），sB1500-DLR 图像的 CNR 高于 aB50-DLR 和 aB800_DLR（中位数（四分位数间距）：分别为 2.09（4.07）和 4.54（4.81））。
结论：相对于 ConR，由 DWI_DLR 生成的 sDWI 显示出图像质量的改善和前列腺病变检测能力的增强。