基于T2加权MRI深度学习合成CT在腰椎小关节关节炎诊断中的价值：与传统CT的对比研究

为解决腰椎小关节关节炎的结构性病变检测难题，研究人员利用深度学习技术开发了T2加权成像(T2WI)衍生的合成CT(sCT)。通过40例患者的回顾性分析，sCT在骨侵蚀、骨硬化及关节间隙改变的检测中展现出显著优势（灵敏度57.9% vs. 5.3%，准确率93.0% vs. 73.3%），为无辐射诊断提供了新思路。

　　

这项研究探索了深度学习技术如何将T2加权磁共振成像(T2WI)转化为合成计算机断层扫描(sCT)，用于诊断腰椎小关节关节炎。科研团队采用Pix2Pix生成对抗网络(Pix2Pix-GAN)框架，对40例一周内同时接受腰椎MRI和CT检查的患者数据进行分析。通过结构相似性指数(SSIM，轴向0.888/矢状0.889)、峰值信噪比(PSNR，轴向24.56 dB/矢状23.75 dB)等指标验证，sCT与传统CT展现出高度一致性。

在临床评估中，sCT对骨侵蚀的检测性能远超传统T2WI：灵敏度提升近11倍(57.9% vs. 5.3%)，准确率达93.0%。对于骨硬化(osteosclerosis)和关节间隙改变，sCT同样表现优异。两位资深放射科医师对15个解剖标志的评估显示，sCT具有出色的观察者内(ICC 0.953-0.995)和观察者间(ICC 0.839-0.983)可靠性。

该成果证实，基于深度学习的sCT技术可有效替代传统CT，在避免电离辐射的同时，为腰椎小关节关节炎的结构性病变诊断提供更精准的影像学依据。