Motivation : L'amélioration de la qualité des images IRM mammaires et de meilleurs protocoles, tels qu'un bruit réduit, des artefacts de mouvement, une meilleure caractérisation des lésions et moins de temps, sont encore nécessaires en clinique. Objectif(s) : Étudier le potentiel bénéfice de la reconstruction par apprentissage profond dans les images pondérées T2 et pondérées en diffusion. Approche : 70 patients ont subi des images pondérées T2 et pondérées en diffusion et la technologie AIR Deep Learning a été utilisée pour effectuer la reconstruction. Résultats : La qualité d'image et l'évaluation de visualisation des T2WI reconstruits par apprentissage profond (DL) ont été significativement améliorées par rapport aux T2WI, tandis que les DL-DWI n'ont montré aucun avantage par rapport aux DWI et MUSE-DWI. Impact : Cette évaluation peut être utile pour sélectionner des protocoles d'imagerie mammaire T2WI et DWI raisonnables basés sur des méthodes d'apprentissage profond, ce qui peut réduire l'inconfort des patients ou aider à une meilleure caractérisation des lésions.
Yang et al. (Mar,) ont étudié cette question.