Deep Learning Reconstruction for T2 Weighted Turbo-Spin-Echo Imaging of the Pelvis: Prospective Comparison With Standard T2-Weighted TSE Imaging With Respect to Image Quality, Lesion Depiction, and Acquisition Time
Notice bibliographique
Résumé
PURPOSE: In pelvic MRI, Turbo Spin Echo (TSE) pulse sequences are used for T2-weighted imaging. However, its lengthy acquisition time increases the potential for artifacts. Deep learning (DL) reconstruction achieves reduced scan times without the degradation in image quality associated with other accelerated techniques. Unfortunately, a comprehensive assessment of DL-reconstruction in pelvic MRI has not been performed. The objective of this prospective study was to compare the performance of DL-TSE and conventional TSE pulse sequences in a broad spectrum of pelvic MRI indications. METHODS: Fifty-five subjects (33 females and 22 males) were scanned at 3 T using DL-TSE and conventional TSE sequences in axial and/or oblique acquisition planes. Two radiologists independently assessed image quality in 6 categories: edge definition, vessel margin sharpness, T2 Contrast Dynamic Range, artifacts, overall image quality, and lesion features. The contrast ratio was calculated for quantitative assessment. A two-tailed sign test was used for assessment. RESULTS: The 2 readers found DL-TSE to deliver equal or superior image quality than conventional TSE in most cases. There were only 3 instances out of 24 where conventional TSE was scored as providing better image quality. Readers agreed on DL-TSE superiority/inferiority/equivalence in 67% of categories in the axial plane and 75% in the oblique plane. DL-TSE also demonstrated a better contrast ratio in 75% of cases. DL-TSE reduced scan time by approximately 50%. CONCLUSION: DL-accelerated TSE sequences generally provide equal or better image quality in pelvic MRI than standard TSE with significantly reduced acquisition times.
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 | 0,002 | 0,006 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».