深度学习重建技术加速了直肠癌分期的T2加权MRI检查：一项关于在不同NEX值降低条件下诊断一致性的前瞻性研究

《Abdominal Radiology》：Deep learning reconstruction enables accelerated T2-weighted MRI for rectal cancer staging: a prospective study of diagnostic consistency across NEX value reduction

本研究前瞻性纳入35例直肠癌症患者，对比深度学习重建（DLR）与常规重建（ConR）在T2加权MRI不同激励次数（NEX=4、2、1）下的图像质量、诊断一致性和扫描效率。结果显示，DLR显著提升图像质量（P<0.001），FSE-NEX2-DLR在效率和质量间取得平衡，但需病理验证。

　　

摘要

目的

评估基于深度学习的重建（DLR）算法（AIR? Recon DL；GE Healthcare）与传统重建（ConR）在T2加权MRI中对直肠癌的图像质量、解读一致性和扫描效率，比较不同激发次数（NEX）下的差异。

方法

这项前瞻性研究纳入了2022年7月至2023年4月期间接受直肠癌初步分期MRI检查的连续患者。每位患者均接受了三种不同NEX值（4、2和1）的T2加权MRI检查，并使用ConR和DLR两种方法进行重建，生成了六组图像。图像质量通过定量指标（信噪比、对比度噪声比）和定性指标（组织对比度、边缘清晰度、直肠壁形态、肿瘤特征、整体图像质量及噪声）进行评估。两名放射科医生独立评估了分期参数，包括T分期、N分期、肠壁外血管侵犯（EMVI）和直肠间膜（MRF）状态。分析了观察者间和序列间的一致性。

结果

共有35名患者完成了全部六项成像检查。采集时间分别为：NEX=4时3分55秒，NEX=2时2分1秒（减少了49%），NEX=1时1分4秒（减少了73%）。在定性评估中，DLR序列在所有NEX值下均显示出显著优于ConR序列的图像质量（所有P<0.001）。在所有序列中，FSE_NEX2?DLR在组织对比度、边缘清晰度、肿瘤特征和整体图像质量方面获得了最高的评分。定量分析显示，FSE_NEX4?DLR的信噪比（SNR）和对比度噪声比（CNR）最高，其次是FSE_NEX2?DLR，所有DLR序列的表现均显著优于ConR序列（所有P<0.001）。序列间一致性分析显示，所有分期参数的一致性均较高，几乎达到完美（平均κ值：0.736-0.800）。DLR序列的序列间一致性显著高于ConR序列（范围：0.715–0.964，对比ConR序列的范围：0.505–0.811）。

结论

降低NEX值的DLR算法在直肠癌分期中保持了诊断一致性。FSE_{NEX2?DLR在减少49%的扫描时间的同时保持了诊断一致性，可能在采集效率和图像质量之间提供了一个合理的平衡。未来需要开展与组织病理学相关的研究来验证其诊断准确性。}