| 曹达，徐露露，穆西虎，汤然，赵萌，王伟，王建伟.深度学习重建算法提升子宫DCE-MRI图像质量的可行性研究[J].放射学实践,2025,(12):1596-1601 |
| 深度学习重建算法提升子宫DCE-MRI图像质量的可行性研究 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2025.12.017 |
| 中文关键词: 子宫疾病 磁共振成像 动态对比增强 深度学习重建 图像质量 |
| 基金项目:南京医科大学常州医学中心重点项目（CMCM202305） |
|
| 摘要点击次数: 9 |
| 全文下载次数: 7 |
| 中文摘要: |
| 【摘要】目的：探讨深度学习（DL）重建算法对子宫疾病患者盆腔动态增强MRI（DCE-MRI）图像质量的提升效果，并评估其临床应用的可行性。方法：回顾性分析36例子宫疾病患者的DCE-MRI数据，分别采用常规和DL重建算法进行图像重建。基于图像噪声、整体图像质量（综合评估解剖结构显示清晰度、组织间对比度）和诊断信心对两组图像质量进行定性评估，采用信噪比（SNR）和对比噪声比（CNR）对图像质量进行定量评估。采用配对t检验和Wilcoxon符号秩检验分别比较两组图像上正常子宫肌层测量的容积转移常数（Ktrans）和血管外细胞外空间容积分数（Ve），并采用Bland-Altman法评价两者一致性。结果： DL组的图像噪声和整体质量评分以及诊断信心均显著高于常规组（P<0.05）。定量分析结果显示，DL组的SNR和CNR分别较常规组提升了22.1%和11.2%，组间差异均有统计学意义（P<0.001）。两组图像上测量的Ktrans和Ve值的差异均无统计学意义（P>0.05）。Bland-Altman分析结果表明两组图像上测量的这两项定量参数的一致性均较高（Ktrans和Ve的95%一致性界限内分别包含97.2%和91.7%的样本）。结论：DL重建算法可提升子宫DCE-MRI的图像质量，同时能保证定量参数测量值的稳定性，具有较高的临床应用价值。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
