Skip to main page content
U.S. flag

An official website of the United States government

Dot gov

The .gov means it’s official.
Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site.

Https

The site is secure.
The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely.

Access keys NCBI Homepage MyNCBI Homepage Main Content Main Navigation
. 2025 Jun 23.
doi: 10.1007/s00117-025-01464-8. Online ahead of print.

Evaluation of deep learning reconstruction in accelerated knee MRI: comparison of visual and diagnostic performance metrics

Shenglian Wen  1 , Yifan Xu  1 , Guangxin Yang  1 , Fuling Huang  1 , Zisan Zeng  2
Affiliations

Evaluation of deep learning reconstruction in accelerated knee MRI: comparison of visual and diagnostic performance metrics

Shenglian Wen et al. Radiologie (Heidelb). .

Abstract
in English, German

Objective: To investigate the clinical value of deep learning reconstruction (DLR) in accelerated magnetic resonance imaging (MRI) of the knee and compare its visual quality and diagnostic performance metrics with conventional fast spin-echo T2-weighted imaging with fat suppression (FSE-T2WI-FS).

Methods: This prospective study included 116 patients with knee injuries. All patients underwent both conventional FSE-T2WI-FS and DLR-accelerated FSE-T2WI-FS scans on a 1.5‑T MRI scanner. Two radiologists independently evaluated overall image quality, artifacts, and image sharpness using a 5-point Likert scale. The signal-to-noise ratio (SNR) and contrast-to-noise ratio (CNR) of lesion regions were measured. Subjective scores were compared using the Wilcoxon signed-rank test, SNR/CNR differences were analyzed via paired t tests, and inter-reader agreement was assessed using Cohen's kappa.

Results: The accelerated sequences with DLR achieved a 36 % reduction in total scan time compared to conventional sequences (p < 0.05), shortening acquisition from 9 min 50 s to 6 min 15 s. Moreover, DLR demonstrated superior artifact suppression and enhanced quantitative image quality, with significantly higher SNR and CNR (p < 0.001). Despite these improvements, diagnostic equivalence was maintained: No significant differences were observed in overall image quality, sharpness (p > 0.05), or lesion detection rates. Inter-reader agreement was good (κ> 0.75), further validating the clinical reliability of the DLR technique.

Conclusion: Using DLR-accelerated FSE-T2WI-FS reduces scan time, suppresses artifacts, and improves quantitative image quality while maintaining diagnostic accuracy comparable to conventional sequences. This technology holds promise for optimizing clinical workflows in MRI of the knee.

Zusammenfassung: ZIEL: Ziel der vorliegenden Studie war es, den Nutzen der Deep-Learning-Rekonstruktion (DLR) in der schnellen Magnetresonanztomographie (MRT) des Knies zu untersuchen. Dazu wurde ein Vergleich mit konventionellen schnellen Spinecho-Sequenzen (FSE-T2W-IFS) in Bezug auf visuelle Qualität und diagnostische Wirksamkeit durchgeführt.

Methoden: Die vorliegende prospektive Studie wurde an 116 Patienten mit Knieverletzungen durchgeführt. Alle Probanden wurden einer Knieuntersuchung unterzogen, die mittels eines 1,5-T-MRT-Scanners erfolgte. Zu diesem Zweck wurden Sequenzen wie die sagittale, koronale und transversale FSE-T2WI-FS und die FSE-T1 verwendet. Auf jede dieser Sequenzen wurden die konventionelle Rekonstruktion (CR) und die DLR angewandt und die entsprechenden Bilder aufgenommen. Unabhängig voneinander erfolgte die Bewertung der Gesamtbildqualität, der Artefakte und der Bildschärfe durch zwei Radiologen anhand einer 5‑Punkte-Likert-Skala. Darüber hinaus wurden das Signal-Rausch-Verhältnis (SNR) und das Kontrast-Rausch-Verhältnis (CNR) des Läsionsbereichs von den beiden Radiologen gemessen. Die subjektiven Einschätzungen der beiden Radiologen wurden mittels des Wilcoxon-Signed-Rank-Tests analysiert und verglichen. Des Weiteren wurde eine Analyse der Unterschiede zwischen den beiden Gruppen hinsichtlich SNR und CNR mittels des gepaarten t‑Tests durchgeführt. Schließlich wurde die Übereinstimmung zwischen den Lesern mittels Cohen’s Kappa analysiert.

Ergebnisse: Durch die akzelerierten Sequenzen mit DLR wurde eine Reduktion der Gesamtaufnahmezeit um 36 % im Vergleich zu herkömmlichen Sequenzen erreicht (p < 0.05), die Akquisition wurde so von 9 min 50 s auf 6 min 15 s verkürzt. Darüber hinaus zeigte die DLR eine höhere Artefaktsuppression und eine verbesserte quantitative Bildqualität mit signifikant höheren Werten für SNR und CNR (p < 0.001). Trotz dieser Verbesserungen blieb die diagnostische Äquivalenz bestehen: Es wurden keine signifikanten Unterschiede bei der Bildqualität insgesamt, der Schärfe (p > 0,05) oder den Läsionsdetektionsraten beobachtet. Die Übereinstimmung zwischen den Untersuchern war gut (κ > 0,75), was die klinische Zuverlässigkeit der DLR-Technik weiter bestätigt.

Schlussfolgerung: Bei Verwendung der DLR-akzelerierten FSE-T2WI-FS-Sequenz wird die Aufnahmedauer verringert, die Artefakte werden reduziert und die quantitative Bildqualität verbessert, während die diagnostische Genauigkeit mit der der konventionellen Sequenzen vergleichbar bleibt. Diese Technologie ist vielversprechend für die Optimierung des klinischen Arbeitsablaufs der MRT des Knies.

Keywords: Artificial Intelligence; Deep learning; Denoising; Fat-suppressed; Image reconstruction.

PubMed Disclaimer

Conflict of interest statement

Declarations. Conflict of interest: S. Wen, Y. Xu, G. Yang, F. Huang and Z. Zeng declare that they have no competing interests. The study was approved by the Ethics Committee of The First Affiliated Hospital of Guangxi Medical University and all procedures were conducted in accordance with the ethical standards of the 1964 Declaration of Helsinki and its later amendments or comparable ethical standards. Consent to Publish: The manuscript has neither been previously published nor is under consideration by any other journal. The authors have all approved the content of the paper. Consent to Participate: A signed informed consent form was obtained from every participant. The supplement containing this article is not sponsored by industry.

Similar articles

See all similar articles

References

    1. Chien A, Weaver JS, Kinne E et al (2020) Magnetic resonance imaging of the knee. Pol J Radiol 85:e509–e531 - DOI - PubMed - PMC
    1. Xie Y, Tao H, Li X et al (2024) Prospective comparison of standard and deep learning-reconstructed turbo spin-echo MRI of the shoulder. Radiology 310(1):e231405 - DOI - PubMed
    1. Kaniewska M, Deininger-Czermak E, Getzmann JM et al (2023) Application of deep learning-based image reconstruction in MR imaging of the shoulder joint to improve image quality and reduce scan time. Eur Radiol 33(3):1513–1525 - DOI - PubMed
    1. Wary P, Hossu G, Ambarki K et al (2023) Deep learning HASTE sequence compared with T2-weighted BLADE sequence for liver MRI at 3 tesla: a qualitative and quantitative prospective study. Eur Radiol 33(10:6817–6827 - DOI
    1. Herrmann J, Keller G, Gassenmaier S et al (2022) Feasibility of an accelerated 2D-multi-contrast knee MRI protocol using deep-learning image reconstruction: a prospective intraindividual comparison with a standard MRI protocol. Eur Radiol 32(9):6215–6229 - DOI - PubMed - PMC