垂体微腺瘤，定义为直径小于1厘米的垂体腺瘤，其准确的检测和精细描绘对于患者的恰当评估、治疗决策及后续监测至关重要。目前，动态对比增强（DCE）磁共振成像（MRI）是临床上评估垂体微腺瘤的首选影像学方法。
然而，传统的动态对比增强MRI通常采用2至3毫米的切片厚度进行垂体成像。这种厚度容易受到“部分容积平均效应”的影响，使得识别更小的微腺瘤成为一项挑战。虽然提高动态对比增强MRI的空间分辨率有助于减轻这一效应，但往往会牺牲信噪比（SNR），从而影响图像质量。
深度学习技术在MRI诊断中的应用潜力
近年来，深度学习技术为医学影像带来了新的突破。Kim等人的研究已将基于深度学习的重建（DLR）技术应用于二维薄层垂体MRI，并在识别残留肿瘤和海绵窦侵犯方面展现了潜力。尽管该研究侧重于层间高分辨率成像，但对于垂体微腺瘤的精准诊断而言，提升层内的空间分辨率同样不可或缺。这凸显了将深度学习技术应用于动态对比增强MRI的必要性。
图像超分辨率（SR）重建，特别是基于深度学习的超分辨率技术，在检测脑部和肌肉骨骼MRI中的微小解剖异常方面表现出色，为更清晰地展示精细的垂体结构提供了可能。
DLCS-SR技术：融合压缩感知与深度学习
最新的进展是将压缩感知（CS）与深度学习相结合，形成了一种受压缩感知理论启发的深度学习重建方法，即DLCS。这种方法在多种MRI应用中展现了显著的降噪能力，且无需增加扫描时间或牺牲空间分辨率，为实现高分辨率动态对比增强MRI提供了新的途径。
飞利浦医疗保健公司开发的原型技术进一步将DLCS与基于深度学习的超分辨率（DLCS-SR）重建相结合。这项创新有望在保持图像清晰度和信噪比的同时，显著提高平面内分辨率，生成高质量的薄层MRI扫描图像，并可能减少图像失真。
值得强调的是，在这种新型重建方案下，通过单次扫描获取的原始k空间数据可以直接以三种不同的模式进行重建：传统的压缩感知（CS）模式、DLCS模式以及DLCS-SR模式。
DLCS-SR高分辨率MRI诊断垂体微腺瘤的临床研究评估
最近，一项发表在《European Radiology》杂志上的研究，对基于深度学习的压缩感知和超分辨率（DLCS-SR）重建的高分辨率动态对比增强（DCE）磁共振成像（MRI）在识别垂体微腺瘤方面的诊断性能进行了评估。
这项前瞻性研究纳入了126名疑似垂体微腺瘤的参与者，他们在2023年6月至2024年1月期间接受了动态对比增强MRI检查。研究从单次扫描的原始数据中生成了四组不同图像，以便进行比较：
- 使用DLCS-SR技术重建的1.5毫米层厚图像（1.5毫米 DLCS-SR图像）
- 基于深度学习压缩感知（DLCS）重建的1.5毫米层厚图像（1.5毫米 DLCS图像）
- 传统的1.5毫米层厚图像（1.5毫米常规图像）
- 使用DLCS-SR技术重建的3毫米层厚图像（3毫米 DLCS-SR图像）
研究通过综合实验室检查结果、临床症状、病史、先前的影像学资料以及部分病理报告来制定诊断金标准。由两名独立的放射科医生对这四组图像在识别垂体异常和微腺瘤方面的诊断性能进行评估。研究使用卡帕（κ）统计量评估阅片者之间的诊断一致性，并使用德龙（DeLong）检验和麦克尼马尔（McNemar）检验比较不同图像组在微腺瘤检测方面的差异。
研究结果：DLCS-SR显著提升诊断性能
研究结果显示，1.5毫米 DLCS-SR图像在诊断一致性方面表现卓越（κ = 0.746-0.848），显著优于1.5毫米 DLCS图像（κ = 0.585-0.687）、1.5毫米常规图像（κ = 0.449-0.487）以及3毫米 DLCS-SR图像（κ = 0.347-0.369）。所有比较的P值均小于0.001，表明差异具有统计学意义。
此外，在识别微腺瘤的性能方面，1.5毫米 DLCS-SR图像的受试者工作特征曲线下面积（AUC）高达0.89-0.94，明显超过了1.5毫米 DLCS图像（AUC为0.83-0.87；P值分别为0.042和0.011）、1.5毫米常规图像（AUC为0.76-0.78；P值小于0.001）以及3毫米 DLCS-SR图像（AUC为0.72-0.74；P值小于0.001）。
表：1.5毫米 DLCS-SR图像、1.5毫米 DLCS图像、1.5毫米常规图像和3毫米 DLCS-SR图像在识别垂体微腺瘤方面的诊断性能比较
结论与临床意义
这项研究结果有力地证明了1.5毫米 DLCS-SR高分辨率动态对比增强MRI在识别垂体异常和微腺瘤方面具有卓越的诊断性能。这表明，基于深度学习的DLCS-SR技术有望成为垂体微腺瘤诊断的重要工具，为临床实践提供更精准的影像学依据。
精准的影像学诊断是制定后续治疗方案的关键第一步。患者在确诊后，可能需要进一步了解疾病信息、治疗方案或药物选择。您可以访问MedFind的抗癌资讯页面获取更多相关信息，或通过AI问诊服务初步了解个体化建议。
原文出处：
Meng Zhang,Chunchao Xia,Jing Tang,et al.Evaluation of high-resolution pituitary dynamic contrast-enhanced MRI using deep learning-based compressed sensing and super-resolution reconstruction.DOI:10.1007/s00330-025-11574-5
