배경: 전립선암(PCa)에 대한 영상 기반 평가는 진단 과정에서 생검 표적을 선택하고, 임상적으로 유의한 전립선암(csPCa)을 예측하는 데까지 점차 강조되고 있다. 평가는 주로 T2강조영상(T2WI)과 확산강조영상(DWI)에 의존하는 전립선 영상 판독 및 데이터 시스템(Prostate Imaging-Reporting and Data System, PI-RADS)에 기반한다. 본 연구는 딥러닝 재구성(deep learning reconstruction, DLR)이 PCa 환자에서 DWI의 영상 품질을 개선하고 PI-RADS ≥4 평가에 영향을 줄 수 있는지 확인하고자 한다. 방법: 본 후향적 연구에서는 2021년 11월부터 2022년 7월까지 대한민국 고려대학교 안산병원에서 PCa로 진단된 70명의 3.0T 생검 후 전립선 자기공명영상(MRI)을 DLR을 사용한 경우와 사용하지 않은 경우로 재구성하였다. DWI 영상 세트를 4가지로 구성하였다: (I) 기존 DWI (conventional DWI, CDWI): 가속 인자 2와 기존 평행 영상 재구성을 적용한 DWI, (II) DL1: 가속 인자 2를 사용하고 DLR을 적용한 DWI, (III) DL2: 가속 인자 3을 사용하고 DLR을 적용한 DWI, (IV) DL3: 가속 인자 3 및 b-value의 절반 평균(half average)을 사용하고 DLR을 적용한 DWI. 겉보기 확산계수(apparent diffusion coefficient, ADC) 값, 신호대잡음비(signal-to-noise ratio, SNR), 대조대잡음비(contrast-to-noise ratio, CNR)는 한 명의 평가자가 측정하였고, 두 명의 평가자는 각 DWI 영상 세트에서 4점 시각 평가 척도를 이용하여 영상의 전반적 품질, 잡음 및 병변의 선명도를 독립적으로 평가하였다. 또한 두 명의 평가자는 악성으로 의심되는 병변에 대해 PI-RADSv2.1 점수를 수행하였다. 결과: 총 70명의 환자(평균 연령, 70.8±9.7세)를 분석하였다. 영상 획득 시간은 CDWI와 DL1에서 각각 4:46분, DL2에서 3:40분, DL3에서 2:00분이었다. DL1 및 DL2 영상은 CDWI 영상에 비해 두 평가자 모두에서 병변의 선명도가 더 좋았다(P<0.05). DLR은 CDWI에서 38.4±14.7이던 SNR을 DL1에서 56.9±21.0으로 유의하게 증가시켰다. CNR은 CDWI에서 25.1±11.5에서 DL1에서 43.1±17.8로 증가하였으며(P<0.001), PCa 병변에 대한 PI-RADSv2.1 점수는 CDWI보다 DL1 재구성 방법과 더 높은 일치도를 보였다(κ 값: CDWI, DL1 각각 0.40, 0.61). 두 평가자 모두에서 CDWI에서 PI-RADS <4였던 병변들 중 통계적으로 유의한 수가 DL1 영상에서 PI-RADS ≥4로 상향(upgrade)되었다(P<0.05). PI-RADS가 상향된 대부분의 병변은 2023년 National Comprehensive Cancer Network 가이드라인에 따른 불리한 중간 위험군보다 높은 위험군에 해당하였으며, 두 평가자 모두에서 DL1 및 DL2에서 주변(marginal) 확률의 통계적으로 유의한 차이가 관찰되었다(P<0.05). 결론: PCa에 대한 DWI에서의 DLR은 영상 품질을 저하시키지 않으면서 PI-RADS 평가에 유의한 영향을 주거나, 약 23%의 획득 시간 감소를 달성할 수 있는 영상 품질 개선의 선택지를 제공할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.