Artefaktreduktion in der kontrastverstärkten Leber-MRT durch Postprocessing mittels U-NET Network

Zielsetzung:

Entwicklung eines neuen deep learning basierten Filters zur Reduzierung von Bewegungsartefakten in der Gadoxetat-verstärkten Magnetresonanztomografie der Leber.

Material und Methoden:

Es wurde ein neuer Filter mit 7 convolutional Layern auf der Grundlage eines tiefen neuronalen Netzes entwickelt. Für das Training wurden 13410 Bilder aus den abdominellen MRT von 6 Patienten generiert. Bewegungsartefakte wurden dabei durch das Hinzufügen periodischen k-Raum Rauschens simuliert. Anschließend durchliefen Bilddatensätze von 198 Patienten (135 Männer, mittleres Alter 68,4 ± 10,4 Jahre) mit Gadoxetat-verstärkter MRT der Leber das U-NET. Die originalen sowie prozessierten Bilder in nativer und 6 arteriellen Phasen wurden hinsichtlich des Auftretens von Bewegungsartefakten anhand einer 4-Punkteskala evaluiert (0 = keine Bewegungsartefakte; 1 = leichte Artefakte; 2 = ausgeprägte Artefakte; 3 = schwerwiegende Artefakte/nicht diagnostisch).

Ergebnisse:

Der entwickelte U-NET Filter verbesserte die Bildqualität über alle Phasen – der mittlere Grad an Bewegungsartefakten betrug nach Anwendung des Filters 1,55 ± 0,67 verglichen mit 1,79 ± 0,80 in den Originalbildern (p < 0,001). Gleichfalls zeigte sich eine signifikante Artefaktreduktion bei einzelner Betrachtung der nativen und arteriellen Phasen. Das Ausmaß an Artefakten konnte von Grad 2 zu 1 in 29,94% (n = 177), 3 zu 2 in 72,12% (n = 119) und 4 zu 3 in 62,96% (n = 34) der Fälle erreicht werden.

Schlussfolgerungen:

Der neu generierte U-NET Filter verbessert signifikant die Bildqualität in der kontrastmittelverstärkten MRT der Leber durch Reduktion von Bewegungsartefakten, insbesondere in Fällen von stark degradierten Bildern. Dieser Ansatz ist von klinischem Interesse, da somit die radiologische Diagnostik auch bei Patienten mit beeinträchtigter Atmung verbessert werden kann.