Diagnostic evaluation of deep learning accelerated lumbar spine MRI
Notice bibliographique
Résumé
BACKGROUND AND PURPOSE: Deep learning (DL) accelerated MR techniques have emerged as a promising approach to accelerate routine MR exams. While prior studies explored DL acceleration for specific lumbar MRI sequences, a gap remains in comprehending the impact of a fully DL-based MRI protocol on scan time and diagnostic quality for routine lumbar spine MRI. To address this, we assessed the image quality and diagnostic performance of a DL-accelerated lumbar spine MRI protocol in comparison to a conventional protocol. METHODS: We prospectively evaluated 36 consecutive outpatients undergoing non-contrast enhanced lumbar spine MRIs. Both protocols included sagittal T1, T2, STIR, and axial T2-weighted images. Two blinded neuroradiologists independently reviewed images for foraminal stenosis, spinal canal stenosis, nerve root compression, and facet arthropathy. Grading comparison employed the Wilcoxon signed rank test. For the head-to-head comparison, a 5-point Likert scale to assess image quality, considering artifacts, signal-to-noise ratio (SNR), anatomical structure visualization, and overall diagnostic quality. We applied a 15% noninferiority margin to determine whether the DL-accelerated protocol was noninferior. RESULTS: > .05). The DL-spine protocol was noninferior for overall diagnostic quality and visualization of the cord, CSF, intervertebral disc, and nerve roots. However, it exhibited reduced SNR and increased artifact perception. Interobserver reproducibility ranged from moderate to substantial (κ = 0.50-0.76). CONCLUSION: Our study indicates that DL reconstruction in spine imaging effectively reduces acquisition times while maintaining comparable diagnostic quality to conventional MRI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».