基于深度学习的乳腺DCE-MRI图像推演模型的构建

作者：王苹苹; 聂品; 王丽芳; 党艳莉; 朱开国; 陈宝莹^*

来源：肿瘤影像学, 2021, 30(05): 339-344.

DOI：10.19732/j.cnki.2096-6210.2021.05.004

• 深度学习
• Pix2Pix
• 生成对抗网络
• 磁共振成像

目的:探究利用深度学习算法构建乳腺动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)图像推演模型的可行性,寻找无须实际扫描即可获取DCE-MRI图像的新技术。方法:收集2020年1月—2021年8月在西安国际医学中心医院行乳腺MRI检查的54例女性患者的临床信息及影像学资料,随机分为训练集(38例)、测试集1(8例)及测试集2(8例)。基于训练集中患者的T1加权成像(T1-weighted imaging,T1WI)及DCE序列第一期图像,利用深度学习Pix2Pix算法构建乳腺DCE-MRI图像推演模型。在测试集中合成DCE图像,采用峰值信噪比(peak signal to noise ratio,PSNR)、结构相似性(structural similarity,SSIM)、均方误差(mean square error,MSE)、平均绝对误差(mean absolute error,MAE)指标测试模型性能。另外,评估合成的DCE序列与原始序列间的相关性。结果:共合成DCE第一期图像760张。与原始图像相比,合成的图像具有良好的SSIM,较低的信息损失,其中SSIM为0.71±0.01,PSNR为23.70±1.41。另外,合成的DCE序列重建误差较小,MAE为0.032±0.004,MSE为0.006±0.002,且与原始DCE序列呈显著正相关(r=0.872±0.038,95%CI:0.870～0.874,P=0.000)。结论:乳腺DCE-MRI图像推演模型能够自动生成DCE序列第一期图像,为补充非增强MRI序列中信息缺失提供了新思路,同时避免了造影剂的使用、缩短扫描时间,为乳腺MRI筛查的推广应用奠定了基础。