European Radiology：如何利用T2w FSE和Dixon生成高分辨率脊柱STIR和T1w图像？

现阶段，磁共振成像在诊断过程中起着至关重要的作用。MRI的一个主要优势是它能够获得不同的成像对比，从而对各种病理进行多方面的诊断评估。脊柱最常用的两种序列是T1加权(T1w FSE)和T2加权快速自旋回波(T2w FSE)。临床上已经开发了几种技术来抑制磁共振扫描中的脂肪或水信号，产生多幅突出特定组织特征的图像。MR采集本身是耗时的，通常需要采集低平面分辨率的2D图像，以减少扫描时间并最大限度地降低受试者移动的风险，这可能会影响图像采集。通常，需要两到四个序列，包括不同的采集技术和方向，但所需的最佳图像集可能因诊断环境而异。

人工智能正在成为放射学领域的一个有前途的工具。许多深度学习方法依赖于特定的获取技术和切片轴。条件生成网络可以生成缺失序列，并且有研究表明，通过匹配的MR序列，可以提取脂肪饱和的图像，但对于T1w FSE序列还不能。

区分由脂肪和水引起的矢状T2w FSE图像信号强度增加是至关重要的，因为这可以区分慢性退行性病变和活动性炎症过程。STIR擅长突出水分含量，提高诊断敏感性，并降低无意中忽视与水有关的高强度的风险。结合T1w和T2w FSE图像可以区分脂肪和水，因为水在T1w FSE图像中显得较暗，而脂肪与周围组织相比仍然较亮。

最近，发表在European Radiology杂志上的一篇研究评估了获取矢状T2w FSE和轴向T1w- dixon序列生成与T2w FSE相同分辨率的矢状T1w FSE和矢状STIR图像的能力及价值。

本项回顾性研究使用三个现有数据集:“波美拉尼亚健康研究”(SHIP, 3142名受试者，1.5T)、“德国国家队列”(NAKO, 2000名受试者，3T)和内部数据集(157名患者，1.5/3T)。基于连续应用的两种3D Pix2Pix深度学习模型，从矢状T2w FSE序列和低分辨率轴向T1w- dixon序列合成矢状T1w FSE和STIR图像。“峰值信噪比”(PSNR)和“结构相似指数度量”(SSIM)用于评估消融测试中生成的图像质量。在图灵测试中，7名放射科医生对240幅图像进行了评估，这些图像要么是本地获得的，要么是生成的，并使用误分类率和Fleiss kappa进行了评估。

研究采用轴向T1w- dixon或T1w FSE图像生成的T1w FSE图像(PSNR = 26.942, SSIM = 0.965)和STIR图像(PSNR = 28.86, SSIM = 0.948)比单独使用T2w图像(PSNR = 23.076/24.677 SSIM = 0.952/0.928)的图像质量更高。放射科医生难以识别生成的图像(T1w FSE的误分类率为0.39±0.09,STIR的误分类率为0.42±0.18)，对可疑图像的识别率较低(T1w/STIR的Fleiss kappa: 0.09)。

表 消融对矢状面短tau反转恢复产生的影响

本项研究表明，轴向T1w- dixon和矢状位T2w FSE图像包含足够的信息，可以生成矢状位T1w FSE和STIR图像。

原文出处：

Robert Graf,Paul-Sören Platzek,Evamaria Olga Riedel,et al.Generating synthetic high-resolution spinal STIR and T1w images from T2w FSE and low-resolution axial Dixon.DOI:10.1007/s00330-024-11047-1