深度学习重建优化前列腺小视野DWI图像质量及其对表观扩散系数分布特性的影响研究

万露; 张志伟; 陈翼; 何重阳; 郁仁强; 张晏华; 郁斌

doi:10.13406/j.cnki.cyxb.003931

您当前的位置：

首页 >

文章列表页 >

深度学习重建优化前列腺小视野DWI图像质量及其对表观扩散系数分布特性的影响研究

临床研究 | 更新时间：2026-10-26

- 深度学习重建优化前列腺小视野DWI图像质量及其对表观扩散系数分布特性的影响研究
- Value of deep learning-based reconstruction in optimizing the image quality of focus-field-of-view diffusion weighted imaging for the prostate and its influence on the distribution characteristics of apparent diffusion coefficient
- 重庆医科大学学报 2026年51卷第10期页码：1513-1520
- 作者机构：
  
  1.重庆市红十字会医院/江北区人民医院放射科，重庆 400020
  2.重庆医科大学附属第一医院放射科，重庆 400016
  3.达州市中心医院放射科，达州 635000
- 作者简介：
  
  万　露，Email：1171036701@qq.com，研究方向：MRI成像技术。
  郁　斌，Email：c.benjamin@163.com。
- 基金信息：
- DOI：10.13406/j.cnki.cyxb.003931
  中图分类号： R114
- 收稿：2025-04-13，
  
  修回：2025-07-13，
  
  录用：2025-08-12，
  
  纸质出版：2026-10-28
- 稿件说明：
移动端阅览
万露,张志伟,陈翼等.深度学习重建优化前列腺小视野DWI图像质量及其对表观扩散系数分布特性的影响研究[J].重庆医科大学学报,2026,51(10):1513-1520.

Wan Lu,Zhang Zhiwei,Chen Yi,et al.Value of deep learning-based reconstruction in optimizing the image quality of focus-field-of-view diffusion weighted imaging for the prostate and its influence on the distribution characteristics of apparent diffusion coefficient[J].Journal of Chongqing Medical University,2026,51(10):1513-1520.
万露,张志伟,陈翼等.深度学习重建优化前列腺小视野DWI图像质量及其对表观扩散系数分布特性的影响研究[J].重庆医科大学学报,2026,51(10):1513-1520. DOI： 10.13406/j.cnki.cyxb.003931.

Wan Lu,Zhang Zhiwei,Chen Yi,et al.Value of deep learning-based reconstruction in optimizing the image quality of focus-field-of-view diffusion weighted imaging for the prostate and its influence on the distribution characteristics of apparent diffusion coefficient[J].Journal of Chongqing Medical University,2026,51(10):1513-1520. DOI： 10.13406/j.cnki.cyxb.003931.

摘要

目的

探讨深度学习重建（deep learning-reconstruction，DLR）优化前列腺小视野DWI（focus field-of-view diffusion-weighted imaging，FDWI）图像质量及其对表观扩散系数（apparent diffusion coefficients，ADC）分布特性的影响研究。

方法

回顾性纳入60例前列腺磁共振检查的患者影像学资料，对比DLR、常规重建FDWI病变区域、正常区域图像的信噪比（signal-to-noise ratio，SNR）、对比噪声比（contrast-to-noise ratio，CNR）和ADC。让2位医生采用双盲法对2种重建FDWI序列的噪声、磁敏感伪影和整体图像质量分别使用5分法评分，对比2位医生评分一致性；将ADC值高阶统计量偏度与峰度进行统计分析，验证其提升图像质量的同时保护数据分布完整性的技术优势。

结果

DL-FDWI序列病变区域和正常区域的SNR：［17.49（11.13，22.54）、17.34（11.44，26.56）］及CNR：［10.86（8.06，15.70）、9.32（5.82，13.11）］均明显高于常规-FDWI序列SNR：［12.88（10.56，18.14）、14.59（9.65，19.27）］及CNR：［8.87（7.11，11.64）、7.82（5.00，11.41）］，差异均具有统计学意义（

0.001）。2位医生在噪声和整体图像质量方面DL-FDWI评分均高于常规-FDWI，差异均有统计学意义（

0.001），在磁敏感伪影方面DL-FDWI序列和常规-FDWI图像评分（

=0.637和

=0.655）差异无统计学意义。2位医生噪声评分Kappa值为0.924，强相关性；磁敏感伪影和整体图像质量评分Kappa值分别为0.778，0.736，有相关性。ADC值（×10⁻³ mm²/s）：病变区域：DL［0.86（0.69，1.06）］ vs. 常规［0.86（0.69，1.06）］；正常区域：DL［1.52（1.40，1.71）］ vs. 常规［1.52（1.39，1.71）］，偏度：病变区域：DL［-0.04（-0.67，0.53）］ vs. 常规［-0.06（-0.35，0.26）］；正常区域：DL［-0.03（-0.24，0.30）］ vs. 常规［-0.17（-0.47，0.34）］，峰度：病变区域：DL［-0.52（-0.82，0.25）］ vs. 常规［-0.44（-0.83，0.12）］；正常区域：DL［-0.19±0.79］ vs. 常规［-0.23±0.78］，DL-FDWI与常规-FDWI图像在以上测量结果中差异均无统计学意义（

0.05

）。

结论

DLR在不改变ADC值分布特性的前提下，明显提升FDWI图像SNR与CNR，其“提质保真”特性为基于ADC值分布的前列腺癌异质性分析提供了可靠的影像学基础。

Abstract

Objective

To investigate the value of deep learning-based reconstruction（DLR） in optimizing the image quality of focus-field-of-view diffusion weighted imaging（FDWI） of the prostate and its influence on the distribution characteristics of apparent diffusion coefficients（ADC）.

Methods

A retrospective analysis was performed for the imaging data of 60 patients undergoing prostate MRI，and signal-to-noise ratio（SNR），contrast-to-noise ratio（CNR），and ADC of the lesions and normal regions were compared between DLR-optimized FDWI（DL-FDWI） and conventionally reconstructed（FDWI）. Based on a double-blind design，two radiologists independently determined the scores of noise，susceptibility artifacts，and overall image quality of the two reconstructed FDWI sequences using a 5-point scoring system，and inter-rater agreement was assessed. Higher-order statistical metrics（skewness and kurtosis） of ADC were analyzed to validate the technical advantage of DL-FDWI in protecting data integrity while improving image quality.

Results

For both lesion and normal regions，the SNR［17.49（11.13，22.54） and 17.34（11.44，26.56）］ and CNR［10.86（8.06，15.70） and 9.32（5.82，13.11）］ of the DL-FDWI sequences were significantly higher than those of the conventional-FDWI sequences［SNR：12.88（10.56，18.14） and 14.59（9.65，19.27）；CNR： 8.87（7.11，11.64） and 7.82（5.00，11.41）］，with all differences being statistically significant（

0.001）.Both radiologists assigned significantly higher scores to the DL-FDWI images compared to conventional-FDWI images for noise and overall image quality（

0.001 for both）. However，there were no statistically significant differences in the scores for susceptibility artifacts between the DL-FDWI and conventional-FDWI images（

=0.637 and

=0.655 for the two radiologists，respectively）.Inter-reader agreement，assessed by Cohen’s kappa coefficient，was almost perfect for noise scores（k=0.924）. Agreement for susceptibility artifact scores and overall image quality scores was substantial，with kappa values of 0.778 and 0.736，respectively.ADC values（×10⁻³ mm²/s）：Lesion region： DL［0.86（0.69，1.06）］ vs conventional ［0.86（0.69，1.06）］，Normal region： DL［1.52（1.40，1.71）］ vs conventional ［1.52（1.39，1.71）］，Skewness：Lesion region：DL［-0.04（-0.67，0.53）］ vs conventional［-0.06（-0.35，0.26）］，Normal region： DL ［-0.03（-0.24，0.30）］ vs conventional ［-0.17（-0.47，0.34）］，Kurtosis：Lesion region： DL［-0.52（-0.82，0.25）］ vs conventional ［-0.44（-0.83，0.12）］，Normal region： DL ［-0.19±0.79］ vs conventional ［-0.23±0.78］.No statistically significant differences（

0.05） were observed in any of these ADC values，skewness，or kurtosis measurements between DL-FDWI and conventional-FDWI images.

Conclusion

DLR significantly enhances the SNR and CNR of FDWI images without altering the distribution characteristics of ADC，and its features of “quality enhancement and fidelity preservation” provide a reliable foundation for the ADC-based heterogeneity analysis of prostate cancer.

关键词

Keywords

references

汪　洋，宦　怡，任静 . 前列腺影像报告与数据系统2.1版（PI-RADS v2.1）：解读与比较 [J ] . 国际医学放射学杂志， 2019 ， 42 （ 6 ）： 712 - 716 ．

Wang Y ， Huan Y ， Ren J . Interpretation of Prostate Imaging-Reporting and Data System version 2.1（PI-RADS v2.1） and comparison with version 2.0 [J ] . Int J Med Radiol ， 2019 ， 42 （ 6 ）： 712 - 716 ．

Turkbey B ， Rosenkrantz AB ， Haider MA ， et al . Prostate imaging reporting and data system version 2.1：2019 update of prostate imaging reporting and data system version 2 [J ] . Eur Urol ， 2019 ， 76 （ 3 ）： 340 - 351 .

Choi MH ， Lee YJ ， Jung SE . Tracking changes in clinical practice patterns following prebiopsy biparametric prostate MRI [J ] . Acad Radiol ， 2020 ， 27 （ 9 ）： 1255 - 1260 ．

Schiavina R ， Chessa F ， Borghesi M ， et al . State-of-the-art imaging techniques in the management of preoperative staging and re-staging of prostate cancer [J ] . Int J Urol ， 2019 ， 26 （ 1 ）： 18 - 30 ．

Peng Y ， Li Z ， Tang H ， et al . Comparison of reduced field-of-view diffusion-weighted imaging（DWI） and conventional DWI techniques in the assessment of rectal carcinoma at 3.0 T：Image quality and histological T staging [J ] . Magn Reson Imaging ， 2018 ， 47 （ 4 ）： 967 - 975 ．

Hu L ， Wei LM ， Wang SH ， et al . Better lesion conspicuity translates into improved prostate cancer detection：comparison of non-parallel-transmission-zoomed-DWI with conventional-DWI [J ] . Abdom Radiol ， 2021 ， 46 （ 12 ）： 5659 - 5668 ．

Zhao WJ ， Ju SY ， Yang HY ， et al . Improved value of multiplexed sensitivity encoding DWI with reversed polarity gradients in diagnosing prostate cancer：a comparison study with single-shot DWI and MUSE DWI [J ] . Acad Radiol ， 2024 ， 31 （ 3 ）： 909 - 920 ．

Li L ， Wang L ， Deng M ， et al . Feasibility study of 3-T DWI of the prostate：readout-segmented versus single-shot echo-planar imaging [J ] . AJR Am J Roentgenol ， 2015 ， 205 （ 1 ）： 70 - 76 ．

Bai Y ， Pei Y ， Liu WV ， et al . MRI：evaluating the application of FOCUS-MUSE diffusion-weighted imaging in the pancreas in comparison with FOCUS，MUSE，and single-shot DWIs [J ] . J Magn Reson Imaging ， 2023 ， 57 （ 4 ）： 1156 - 1171 ．

方　姝，吴梦雄，陈　乾，等 . 深度学习在肝脏屏气T2加权成像图像质量评价中的应用研究 [J ] . 磁共振成像， 2023 ， 14 （ 5 ）: 31 - 35

Fang S ， Wu MX ， Chen Q ， et al . Application Research of Deep Learning in Image Quality Assessment of Liver Breath-Hold T2-Weighted Imaging [J ] . Magnetic Resonance Imaging ， 2023 ， 14 （ 5 ）: 31 - 35 .

Yokota Y ， Takeda C ， Kidoh M ， et al . Effects of deep learning reconstruction technique in high-resolution non-contrast magnetic resonance coronary angiography at a 3-tesla machine [J ] . Can Assoc Radiol J ， 2021 ， 72 （ 1 ）： 120 - 127 ．

饶显锋，杨舒文，陈　静，等 . 基于深度学习重建超快速扫描方案用于颈椎MR检查 [J ] . 中国医学影像技术， 2024 ， 40 （ 6 ）： 843 - 847 .

Rao XF ， Yang SW ， Chen J ， et al . Application of deep learning reconstruction-based ultra-fast scanning protocol for cervical spine MR imaging [J ] . Chin J Med Imaging Technol ， 2024 ， 40 （ 6 ）： 843 - 847 .

Qiu DF ， Zhang SX ， Liu Y ， et al . Super-resolution reconstruction of knee magnetic resonance imaging based on deep learning [J ] . Comput Meth Programs Biomed ， 2020 ， 187 ： 105059 ．

Kim EH ， Choi MH ， Lee YJ ， et al . Deep learning-accelerated T2-weighted imaging of the prostate：impact of further acceleration with lower spatial resolution on image quality [J ] . Eur J Radiol ， 2021 ， 145 ： 110012 ．

Kim M ， Kim SH ， Hong S ， et al . Evaluation of extra-prostatic extension on deep learning-reconstructed high-resolution thin-slice T2-weighted images in patients with prostate cancer [J ] . Cancers（Basel）， 2024 ， 16 （ 2 ）： 413 ．

Filli L ， Ghafoor S ， Kenkel D ， et al . Simultaneous multi-slice readout-segmented echo planar imaging for accelerated diffusion-weighted imaging of the breast [J ] . Eur J Radiol ， 2016 ， 85 （ 1 ）： 274 - 278 ．

Shanbhogue K ， Tong A ， Smereka P ， et al . Accelerated single-shot T2-weighted fat-suppressed（FS） MRI of the liver with deep learning–based image reconstruction：qualitative and quantitative comparison of image quality with conventional T2-weighted FS sequence [J ] . Eur Radiol ， 2021 ， 31 （ 11 ）： 8447 - 8457 ．

Liu W ， Patil D ， Howard DH ， et al . Impact of prebiopsy magnetic resonance imaging of the prostate on cancer detection and treatment patterns [J ] . Urol Oncol Semin Orig Investig ， 2019 ， 37 （ 3 ）： 181 - 188 .

Kidoh M ， Shinoda K ， Kitajima M ， et al . Deep learning based noise reduction for brain MR imaging：tests on phantoms and healthy volunteers [J ] . Magn Reson Med Sci ， 2020 ， 19 （ 3 ）： 195 - 206 ．

Ueda T ， Ohno Y ， Yamamoto K ， et al . Deep learning reconstruction of diffusion-weighted MRI improves image quality for prostatic imaging [J ] . Radiology ， 2022 ， 303 （ 2 ）： 373 - 381 ．

王绎忱，张馨心，胡满仓，等 . 深度学习重建技术在优化前列腺磁共振T2加权成像扫描时间和图像质量中的应用价值 [J ] . 磁共振成像， 2023 ， 14 （ 5 ）： 48 - 52

Wang YC ， Zhang XX ， Hu MC ， et al . Application Value of Deep Learning Reconstruction Technology in Optimizing Scan Time and Image Quality of Prostate MRI T2-Weighted Imaging [J ] . Magnetic Resonance Imaging ， 2023 ， 14 （ 5 ）： 48 - 52

可　赞，李　亮，宋鑫洋，等 . 基于深度学习重建技术改善前列腺T2WI图像质量的研究 [J ] . 磁共振成像， 2023 ， 14 （ 05 ）: 41 - 47 .

Ke Z ， Li L ， Song XY ， et al . Research on Improving Prostate T2WI Image Quality Based on Deep Learning Reconstruction Technology [J ] . Magnetic Resonance Imaging ， 2023 ， 14 （ 05 ）: 41 - 47 .

邓戈文 . 基于深度学习的MRI重建方法研究 [D/OL ] . 济南：山东中医药大学，2024-06-01[ 2025-08-09 ] .

Deng GW . Research on MRI reconstruction methods based on deep learning [D/OL ] . Jinan：Shandong Univ Tradit Chin Med ， 2024-06-01 [ 2025-08-09 ] .

Hectors SJ ， Semaan S ， Semaan S ， et al . Advanced diffusion-weighted imaging modeling for prostate cancer characterization：correlation with quantitative histopathologic tumor tissue composition-a hypothesis-generating study [J ] . Radiology ， 2018 ， 286 （ 3 ）： 918 - 928 ．

Liu Y ， Wang X ， Cui Y ， et al . Comparative study of monoexponential，intravoxel incoherent motion，kurtosis，and IVIM-kurtosis models for the diagnosis and aggressiveness assessment of prostate cancer [J ] . Front Oncol ， 2020 ， 10 ： 1763 ．

Li C ， Yu L ， Jiang Y ， et al . The histogram analysis of intravoxel incoherent motion-kurtosis model in the diagnosis and grading of prostate cancer-a preliminary study [J ] . Front Oncol ， 2021 ， 11 ： 604428 ．

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

类淋巴系统磁共振成像技术在脑小血管病中的研究进展

基于深度学习的智能快速磁共振技术优化1.5 T臂丛神经3D NerveVIEW成像质量的研究

基于增强T1WI影像组学及临床MRI特征组学列线图术前预测子宫内膜癌侵袭性组织类型的价值

不同翻转角对女性盆腔磁敏感加权成像图像质量的影响

电针“夹脊”穴调控PI3K/AKT/TNF-α信号通路抑制小鼠脊髓损伤后NF-κB诱导的A1型神经毒性星形胶质细胞的分化