Deep learning reconstruction in biparametric prostate MRI: Impact on qualitative and radiomics analyses
Notice bibliographique
Résumé
Objective To assess the impact of a commercially available deep learning reconstruction (DLR) algorithm on qualitative and radiomics analyses in prostate MRI. Methods This single-centre retrospective cohort included 25 consecutive patients who underwent a prostate MRI (1.5 T) in 2022. T2-weighted (T2WI), diffusion-weighted (DWI; b = 50, 1000, extrapolated 2000 s/mm 2 ) and apparent diffusion coefficient (ADC) images were reconstructed using DLR and standard (non-DLR) techniques. The two sets were mixed and blind-reviewed independently by six radiologists. Images were qualitatively scored according to PI-QUAL score, overall image quality, diagnostic confidence, anatomical conspicuity, artifact, and noise. Transition and peripheral zones were segmented and radiomics features extracted from region-of-interests using Pyradiomics package. Qualitative criteria and radiomics were compared using a pairwise Wilcoxon signed-rank test. Results PI-QUAL score was not significantly different ( p = 0.32). Overall image quality was not significantly different ( p = 0.21 on T2WI and 0.56 on DWI/ADC). Noise was lower on DLR images for T2WI ( p < 0.01) and DWI/ADC ( p = 0.04). Diagnostic confidence in excluding clinically significant cancer (PI-RADS ≥ 3) in the transition zone was lower with DLR images (p = 0.02). In the transition zone, 89/93 (96 %) of the radiomics features were significantly different between non-DLR and DLR images on T2WI, 68/93 (73 %) on DWI b-2000 s/mm 2 , and 55/93 (59 %) on ADC images. In the peripheral zone, 91/93 (98 %) were significantly different on T2WI, 50/93 (54 %) on DWI b-2000 s/mm 2 , and 70/93 (75 %) on ADC images. Conclusion Radiomics features were significantly different on DLR images which should encourage caution for clinical and research purposes. DLR algorithm decreases noise while preserving overall image quality.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».