Radiology第18期：MRI检测致痫区的图像处理研究进展

关注「影浮科技」

回复 「20230502」获取本期文献下载链接

本期文献一共5篇，简要汇总如下：

P1: Advances in Image Processing for Epileptogenic Zone Detection with MRI

>>>> 概要

专用的MRI处理技术可以提供关于致痫区（epileptogenic zone,EZ）位置的有价值的信息，并提高EZ的检测率。

局灶性癫痫是一种常见且严重的神经系统疾病。神经成像的目的是识别致痫区，最好是作为宏观结构病变。对于大约三分之一的慢性耐药局灶性癫痫患者，使用标准3.0-T MRI无法精确识别EZ。这可能是由于EZ在成像时无法检测到，或者癫痫活动是由生理异常而不是结构损伤引起的。最近，计算图像处理已被证明有助于放射学评估，并通过增强可疑区域的视觉显著性来提高发现可疑区域的成功率。虽然结构图像分析是EZ检测的前沿，但生理图像分析也已被证明可以提供有关EZ位置的有价值的信息。这篇综述总结并解释了当前最先进的图像分析计算方法，并介绍了它们在EZ检测方面的潜力。讨论了增强EZ检测的方法的当前局限性和未来可能的方向。 

P2: Prospective Evaluation of PI-RADS Version 2.1 for Prostate Cancer Detection and Investigation of Multiparametric MRI–derived Markers

>>>> 摘要

背景

前列腺成像报告和数据系统（Prostate Imaging Reporting and Data System,PI-RADS）2.1版单独和结合定量MRI特征用于前列腺癌症检测的预期性能数据有限。

目的

评估不同PI-RADS 2.1版分类中基于病变的具有临床意义的前列腺癌症（clinically significant prostate cancer,csPCa）发生率，并确定可提高csPCa检测的MRI特征。

材料和方法

这项单中心前瞻性研究包括2019年4月至2021 12月接受多参数MRI和MRI/US引导活检的疑似或已知前列腺癌症患者。MRI扫描使用PI-RADS 2.1版进行前瞻性评估。如果存在明显的扩散限制，非典型过渡带（transition zone ,TZ）结节升级为第3类。国际泌尿外科病理学学会（International Society of Urological Pathology,ISUP）分级为2级或更高的病变被认为是csPCa。MRI特征是从放射科医生描绘的病变轮廓中获得的，包括三维直径、相对病变体积、球形度和表面体积比（surface to volume ratio,SVR）。在病变和参与者水平上进行单变量和多变量分析，以确定与csPCa相关的特征。

结果

总共包括454名男性，838处病变。分类为PI-RADS 1（n=3）、2（n=170）、3（n=197）、4（n=319）和5（n=149）的病变的csPCa发生率分别为0%、9%、14%、37%和77%。PI-RADS 4病变的csPCa发生率低于PI-RADS 5病变（P<.001），但高于PI-RADS 3病变（P<.001）。与未升级的病变相比，升级的PI-RADS 3TZ病变不太可能携带csPCa。csPCa的预测因素包括相对病变体积、SVR和2和3的瓣外扩张（extraprostatic extension,EPE）评分。

结论

csPCa的发生率在连续的PI-RADS类别3及以上之间存在差异。MRI特征，包括病变体积、形状和EPE评分2和3，预测了csPCa。PI-RADS 3类TZ病变的升级可能导致不必要的活检。 

P3: Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance

>>>> 概要

背景

自动化偏差（人类倾向于支持自动化决策系统的建议）是人机交互中已知的错误来源，但其对人工智能（artificial intelligence,AI）辅助乳房X光检查读数的影响尚不清楚。

目的

在人工智能（AI）系统的帮助下阅读乳房X光片时，确定自动化偏差如何影响缺乏经验、经验丰富和经验丰富的放射科医生。

材料和方法

在这项前瞻性实验中，27名放射科医生读取了50张乳房X光照片，并在所谓的人工智能系统的帮助下提供了他们的乳房成像报告和数据系统（Breast Imaging Reporting and Data System,BI-RADS）评估。乳房X光片于2017年1月至2019年12月期间采集，分为两组随机分组。第一个是10张乳房X光片的训练集，AI系统建议正确的BI-RADS类别。第二个是一组40张乳房X光片，其中12张建议使用不正确的BI-RADS类别。使用方差分析（analysis of variance,ANOVA）和重复测量ANOVA，然后是事后检验和Kruskal-Wallis检验，然后是Dunn事后检验来评估阅片者表现、BI-RADS评分的偏差程度、人工智能系统的感知准确性以及阅片者对自己的BI-RADS评级的信心。

结果

缺乏经验、经验丰富和经验丰富的放射科医生对乳房X光片的正确评级百分比受到BI-RADS类别AI预测的正确性的显著影响。与中等经验和非常有经验的阅片者相比，当所谓的人工智能错误地提出比实际基本事实更高的BI-RADS类别时，经验不足的放射科医生更有可能遵循其建议。

结论

结果表明，在基于人工智能的系统支持下，阅读乳房X光片的无经验、经验丰富和经验丰富的放射科医生容易出现自动化偏差。在结合人类阅片者和人工智能时，必须考虑人机交互的这种影响和其他影响，以确保安全部署和准确的诊断性能。 

need-to-insert-img

P4：Toward AI-supported US Triage of Women with Palpable Breast Lumps in a Low-Resource Setting

背景

大多数低收入和中等收入国家无法获得有组织的乳腺癌症筛查，胸部肿块妇女可能要等待数月才能进行诊断评估。

目的

为了证明人工智能（artificial intelligence,AI）软件应用于低成本便携式设备和最低限度训练的观察者获得的乳房超声图像，可以在低资源的环境中准确地对可触及的乳房肿块进行分类。

材料和方法

这项前瞻性多中心研究评估了2017年12月至2021 5月在墨西哥一家医院登记的至少一名明显肿块的参与者。首先用便携式超声获得正交超声图像，在肿块和邻近组织部位有任何发现。然后，由放射科医生对女性进行标准护理（standard-of-care,SOC）US乳腺成像报告和数据系统评估。排除后，人工智能分析了300名女性中的758个肿块，输出为良性、可能是良性、可疑和恶性。测定灵敏度、特异性和受试者工作特征曲线下面积（area under the receiver operating characteristic curve,AUC）。

结果

患者平均年龄±标准差为50.0岁±12.5，平均最大病变直径为13mm±8。在758个肿块中，360个（47.5%）是可触及的，56个（7.4%）是恶性的，包括6个导管原位癌。AI使用便携式US或SOC US图像正确识别了49名癌症女性中的47名或48名（96%-98%），AUC分别为0.91和0.95。一例局限性浸润性导管癌可能与SOC US一起被归类为良性，与一例毛刺性侵袭性导管癌同侧。在251名患有良性肿块的女性中，168名（67%）SOC US成像被人工智能分类为良性或可能良性，251名便携式US肿块中有96名被分类为良性。放射科医生获得的图像的人工智能表现明显优于最低训练的观察者获得的图像。

结论

人工智能应用于乳腺肿块的便携式超声图像可以准确识别恶性肿瘤。可以在没有三级转诊的情况下对38%-67%的良性肿块妇女进行分诊的中度特异性应该通过人工智能和便携式超声的观察者培训来进一步改善。 

P5：2023 RSNA Leadership

>>>> 摘要

文章提到了2023年RSNA领导层的成员名单，其中包括主席Curtis P. Langlotz, MD, PhD和总裁Matthew A. Mauro, MD。此外，董事会是由高技能和精心挑选的个人组成，致力于放射学的未来和推进协会的使命。