European Radiology：自动伪影检测在乳腺DCE MRI中的应用

据统计，乳腺癌是全球范围内女性最常见的癌症。在过去的几十年中，各个国家已经实施了基于人群的筛查计划，旨在早期发现乳腺癌并降低死亡率 。乳腺癌筛查中使用最广泛的诊断方法是乳腺钼靶检查。与此相反，磁共振成像 (MRI) 可提供更高的乳腺癌检测灵敏度。在乳腺成像中使用 MRI 在历史上一直伴随着关于其可能导致过度诊断甚至过度治疗的讨论 ，以及关于 MRI 的敏感性是否有效地提高了生存率。

为了进一步提高 MRI 在基于人群的乳腺癌筛查中的应用的效率和可行性，通过减少获得的序列数量和评估时间来缩短 MRI 协议是正在进行的研究的重点，其中包括具有最大强度投影 (MIP) 的图像可视化的一些方法已引入临床应用。

乳腺MRI成像的特殊性使得患者在特殊射频线圈中的定位成为影响图像质量的重要任务，使其特别容易出现图像伪影以影响诊断。伪影的识别具有高度相关性，因为且存在可能会严重阻碍诊断评估。因为在单次检查期间不能重复应用造影剂，因此这在应用 DCE 协议时尤其重要。

因此，在评估 MIP 时，需要额外的评估伪影的方法来告知放射科医生它们的存在，例如，在获得有限序列且伪影可能无法通过互补序列补偿的简短乳房成像协议的背景下。我们提出了一种基于深度学习的方法。

近日，发表在European Radiology杂志的一项研究训练了两种卷积神经网络 (CNN) 算法来对左右乳腺的MIP图像进行二进制分类，用于自动检测DCE MIP上MRI伪影的存在，以支持和改进影像科医生的诊断评估。

本研究对2015年10月至2019年12月期间接受乳腺MRI的女性纳入研究。本研究采用了两种卷积神经网络架构（ResNet 和 DenseNet）来检测左右乳腺DCE MIP上是否存在伪影。使用 5 折交叉验证 (CV) 对网络进行了训练以获取截至2018年（包括2018年）的图像。集成分类器使用生成的CV模型构建，并应用于由2019年获取的图像形成的独立保持测试数据集。

本研究样本包含来自1794名患者的2265次检查（首次采集的中位年龄：50 岁 [IQR：17 岁]），对应于训练数据集中1378人的1827次检查和坚持测试数据集中416人的438次检查图像级伪影的发生率分别为53%（1951/3654图像）和43%（381/876图像）。在保持测试数据集上，ResNet和DenseNet集成展示了ROC曲线下的面积分别为 0.92 和 0.94。

图 类激活图（示例）。该图显示了来自对应预测类的保留测试数据集的真阳性 (TP)、真阴性 (TN)、假阳性 (FP) 和假阴性 (FN) 预测图像中的每一个 Grad-CAM++ 可视化。热图用从蓝色到红色的颜色梯度描绘了每个像素与相应类的推理的相关性

本研究表明，神经网络能够可靠地检测到对乳腺MRI扫描协议中DCE减法系列衍生的MIP的诊断评估的伪影。尽管未来的研究需要进一步改进使用深度学习对 MRI 图像中伪影的检测，但本研究证明了神经网络作为质量指标和自动病变检测及分类。

原文出处：

Lorenz A Kapsner,Sabine Ohlmeyer,Lukas Folle,et al.Automated artifact detection in abbreviated dynamic contrast-enhanced (DCE) MRI-derived maximum intensity projections (MIPs) of the breast.DOI:10.1007/s00330-022-08626-5