深度学习驱动Synth-STIR图像在脊柱MRI中的高效诊断互换性研究

推荐阅读：为解决脊柱MRI扫描时间长、影响临床效率的问题，研究人员开展了一项主题研究，利用深度学习从T1加权像(T1WI)和T2加权像(T2WI)生成合成短时反转恢复图像(Synth-STIR)。研究结果表明，Synth-STIR显著减少扫描时间约180秒，提高信号噪声比(SNR)和对比噪声比(CNR)，且诊断互换性良好。这有助于提高临床MRI吞吐量，不牺牲诊断准确性。

　　研究人员通过一项前瞻性研究，招募了199名参与者（106名男性，平均年龄46.8 ± 16.9岁），探索深度学习如何从T1加权像(T1WI)和T2加权像(T2WI)生成合成短时反转恢复图像(Synth-STIR)，并与标准STIR进行对比。结果令人振奋：Synth-STIR不仅削减扫描时间约180秒，还显著提升信号噪声比(SNR)和对比噪声比(CNR)（p < 0.001）。四位独立放射学家盲评后一致点赞，Synth-STIR在伪影、噪声、锐度和诊断信心上完胜标准版本（所有p < 0.001）。更妙的是，通过个体等效指数(IEI)分析，两者在检测脊柱异常上高度互换（IEI < 1.61%），Kappa和Kendall系数也秀出中度至极好的一致性（0.52–0.97）。主要特征频率无显著差异（p = 0.211–1），这意味着Synth-STIR能大幅优化成像流程，提升临床吞吐量，却丝毫不打折诊断价值。