Bildeoptimalisering av MR kne, 2D TSE sekvenser ved bruk av AI basert bilderekonstruksjonsteknologi

Abstract

Kunstig Intelligens (AI) har siste årene blitt utviklet til bruk som akselerasjonsteknikk innenfor magnetisk resonanstomografi (MR). En programvare som har blitt utviklet til med hensikt for dette er Deep Resolve (Siemens Healthineers, Erlangen, Tyskland).

I studiet ble det undersøkte om det var mulig å bytte ut en AI-basert MR kneprotokoll, med å sammenligne protokollen med vår standard kneprotokoll. Hovedformålet ville være å redusere opptakstiden uten betydelig reduksjon i bildekvalitet. Opptakstiden ble redusert med 35 %, der radiologens vurdering av både standardprotokollen og den AI-baserte protokollen, var avgjørende for om AI-protokollen kan byttes ut. Resultatene tyder på at radiologene oppfattet standardprotokollen som bedre når det gjelder bildeskarphet, og kanskje var AI-protokollen bedre for mengde støy i bildene. Resultatene var imidlertid vanskelig å tolke, med en overraskende stor grad av variasjon av leserne. Selv med variasjon i vurderingen, ble forskjellen oppfattet for å være små, og den diagnostiske effekten av disse meningsforskjellene var ikke klare i resultatene. En annen studieutforming og opplæring av radiologene, kunne ha gitt andre resultater og økt grad av enighet mellom radiologene. Av dette kan det reflekteres over, at det er stor variasjon i definisjon av bildekvalitet mellom radiologene.

Artificial intelligence (AI) has the last year been developed for use as an acceleration technique within magnetic resonance imaging (MRI). A software that has been developed with this purpose in mind is Deep Resolve (Siemens Healthineers, Erlangen, Germany).

The study explored the possibility of applying an AI-based knee MRI protocol, comparing it to our standard knee protocol. The main purpose would be to reduce scan time without significant reduction in image quality. We reduced scan time by 35%, but the radiological evaluations of both standard and AI-based protocols were not conclusive. The results suggests that they perceived the standard protocol as better regarding image sharpness, and maybe the AI-protocol better regarding image-to-noise. However, the results were difficult to interpret, with a surprisingly large degree of variation. Even with variable responses, the differences were perceived to be small, and the diagnostic impact of these differences in opinion is not clear. Another study design and training of the radiologists could have generated other results and better degree of agreement between the radiologists. This probably reflects a large variation in the definition of image quality between radiologists.