To investigate the mechanism of enhancement of hepatocellular carcinoma (HCC) on gadoxetic acid-enhanced hepatobiliary phase magnetic resonance (MR) images and to characterize HCC thus enhanced.This retrospective study was approved by the institutional review board, and patient informed consent for research use of the resected specimen was obtained. MR images in 25 patients (20 men, five women; mean age, 68 years; range, 49-82 years) with 27 resected hypervascular HCCs (one well, 13 moderately, 13 poorly differentiated) that demonstrated hepatocyte-selective enhancement on gadoxetic acid-enhanced MR images, were quantitatively studied, and findings were correlated with results of immunohistochemical staining for a sinusoidal transporter, organic anion transporting polypeptide (OATP) 1B1 (OATP1B1) and/or OATP1B3 (OATP1B1 and/or -1B3), and a canalicular transporter, multidrug resistance-associated protein 2 (MRP2), and also with bile accumulation in tumors. Statistical analysis was performed with the Student t test and Scheffé post hoc test.Combined with positive OATP1B1 and/or -1B3 expression (O+), two patterns of MRP2 expression contributed to high enhancement: decreased expression (M-, n = 3) and increased expression at the luminal membrane of pseudoglands (M+[P], n = 3). Nodules without OATP1B1 and/or -1B3 expression (O-, n = 13) and nodules with O+ associated with increased MRP2 expression only at the canaliculi (M+[C], n = 8) induced significantly lower enhancement than those with the two expression patterns described before (O+/M- group vs O- group, P = .002; O+/M- group vs O+/M+[C] group, P = .047; O+/M+[P] group vs O- group, P < .001; O+/M+[P] group vs O+/M+[C] group, P < .001). Nodules with bile pigment (n = 12) showed significantly higher enhancement (P = .004); all five nodules (one well differentiated HCC, four moderately differentiated HCCs), which were enhanced more than adjacent liver parenchyma, contained bile pigment.High hepatocyte-selective enhancement is induced by expression patterns of transporters, which may result in accumulation of gadoxetic acid in cytoplasm of tumor cells or in lumina of pseudoglands. An HCC with gadoxetic acid enhancement is characterized by bile accumulation in tumors.

The rapid advancement of artificial intelligence (AI) in healthcare has revolutionized the industry, offering significant improvements in diagnostic accuracy, efficiency, and patient outcomes. However, the increasing adoption of AI systems also raises concerns about their environmental impact, particularly in the context of climate change. This review explores the intersection of climate change and AI in healthcare, examining the challenges posed by the energy consumption and carbon footprint of AI systems, as well as the potential solutions to mitigate their environmental impact. The review highlights the energy-intensive nature of AI model training and deployment, the contribution of data centers to greenhouse gas emissions, and the generation of electronic waste. To address these challenges, the development of energy-efficient AI models, the adoption of green computing practices, and the integration of renewable energy sources are discussed as potential solutions. The review also emphasizes the role of AI in optimizing healthcare workflows, reducing resource waste, and facilitating sustainable practices such as telemedicine. Furthermore, the importance of policy and governance frameworks, global initiatives, and collaborative efforts in promoting sustainable AI practices in healthcare is explored. The review concludes by outlining best practices for sustainable AI deployment, including eco-design, lifecycle assessment, responsible data management, and continuous monitoring and improvement. As the healthcare industry continues to embrace AI technologies, prioritizing sustainability and environmental responsibility is crucial to ensure that the benefits of AI are realized while actively contributing to the preservation of our planet.

Abstract Purpose The purposes of the study are to assess the diagnostic performance of preoperative imaging for staging factors in gastric-type endocervical adenocarcinoma (GEA) and to compare the performance for GEA with that of usual-type endocervical adenocarcinoma (UEA) among patients preoperatively deemed locally early stage (DLES) (< T2b without distant metastasis). Materials and methods For this multi-center retrospective study, 58 patients were enrolled. All had undergone MRI with or without CT and FDG PET-CT preoperatively and had been pathologically diagnosed with GEA at five institutions. Based on the medical charts and radiological reports, the diagnostic performances of preoperative imaging for the International Federation of Gynecology and Obstetrics staging factors were assessed retrospectively. Next, the imaging performance was assessed in preoperatively DLES-GEA ( n = 36) and DLES-UEA ( n = 136, with the same inclusion criteria). The proportions of underestimation of GEA and UEA were compared using Fisher’s exact test. Results Imaging diagnostic performance for GEA was limited, especially for sensitivity: parametrial invasion, 0.49; vaginal invasion, 0.54; pelvic lymph node metastasis (PELNM), 0.48; para-aortic lymph node metastasis, 0.00; and peritoneal dissemination, 0.25. Among preoperatively DLES patients, the proportions of underestimation were significantly higher in GEA than in UEA; parametrial invasion, 35% vs. 5% ( p < 0.01); vaginal invasion, 28% vs. 6% ( p < 0.01); PELNM, 24% vs. 6% ( p < 0.05); peritoneal dissemination, 6% vs. 0% ( p < 0.05). Conclusion At present, preoperative imaging diagnostic performance for staging factors in GEA does not meet clinical expectations, especially for sensitivity. Among patients preoperatively DLES, the proportions of underestimation in GEA were significantly higher than in UEA. Future incorporation of approaches specifically emphasizing GEA is desirable to improve imaging performance.

Abstract Purpose To compare image quality and visibility of anatomical structures on contrast-enhanced thin-slice abdominal CT images reconstructed using super-resolution deep learning reconstruction (SR-DLR), deep learning-based reconstruction (DLR), and hybrid iterative reconstruction (HIR) algorithms. Materials and methods This retrospective study included 54 consecutive patients who underwent contrast-enhanced abdominal CT. Thin-slice images (0.5 mm thickness) were reconstructed using SR-DLR, DLR, and HIR. Objective image noise and contrast-to-noise ratio (CNR) for liver parenchyma relative to muscle were assessed. Two radiologists independently graded image quality using a 5-point rating scale for image noise, sharpness, artifact/blur, and overall image quality. They also graded the visibility of small vessels, main pancreatic duct, ureters, adrenal glands, and right adrenal vein on a 5-point scale. Results SR-DLR yielded significantly lower objective image noise and higher CNR than DLR and HIR ( P < .001). The visual scores of SR-DLR for image noise, sharpness, and overall image quality were significantly higher than those of DLR and HIR for both readers ( P < .001). Both readers scored significantly higher on SR-DLR than on HIR for visibility for all structures ( P < .01), and at least one reader scored significantly higher on SR-DLR than on DLR for visibility for all structures ( P < .05). Conclusion SR-DLR reduced image noise and improved image quality of thin-slice abdominal CT images compared to HIR and DLR. This technique is expected to enable further detailed evaluation of small structures.

Abstract In this narrative review, we review the applications of artificial intelligence (AI) into clinical magnetic resonance imaging (MRI) exams, with a particular focus on Japan’s contributions to this field. In the first part of the review, we introduce the various applications of AI in optimizing different aspects of the MRI process, including scan protocols, patient preparation, image acquisition, image reconstruction, and postprocessing techniques. Additionally, we examine AI’s growing influence in clinical decision-making, particularly in areas such as segmentation, radiation therapy planning, and reporting assistance. By emphasizing studies conducted in Japan, we highlight the nation’s contributions to the advancement of AI in MRI. In the latter part of the review, we highlight the characteristics that make Japan a unique environment for the development and implementation of AI in MRI examinations. Japan’s healthcare landscape is distinguished by several key factors that collectively create a fertile ground for AI research and development. Notably, Japan boasts one of the highest densities of MRI scanners per capita globally, ensuring widespread access to the exam. Japan’s national health insurance system plays a pivotal role by providing MRI scans to all citizens irrespective of socioeconomic status, which facilitates the collection of inclusive and unbiased imaging data across a diverse population. Japan’s extensive health screening programs, coupled with collaborative research initiatives like the Japan Medical Imaging Database (J-MID), enable the aggregation and sharing of large, high-quality datasets. With its technological expertise and healthcare infrastructure, Japan is well-positioned to make meaningful contributions to the MRI–AI domain. The collaborative efforts of researchers, clinicians, and technology experts, including those in Japan, will continue to advance the future of AI in clinical MRI, potentially leading to improvements in patient care and healthcare efficiency.

Motivation: Super-resolution deep learning reconstruction (SR-DLR) can simultaneously reduce noise and improve spatial resolution. Goal(s): Our goal was to evaluate the usefulness of SR-DLR in prostate T2-weighted imaging (T2WI) with conventional and reduced acquisition times. Approach: SR-DLR was applied to both conventional acquisition time T2WI and short acquisition time T2WI. Visibility of the anatomical structures of the prostate and image quality were evaluated. Results: SR-DLR significantly improved image quality of prostate T2WI and visibility of detailed anatomical structures, especially in the small structures such as ejaculatory ducts. Impact: SR-DLR improves T2WI image quality in prostate MRI and improves the visibility of detailed anatomical structures, and has the potential to reduce acquisition time while maintaining adequate image quality for diagnosis.

Abstract Photon-counting CT has a completely different detector mechanism than conventional energy-integrating CT. In the photon-counting detector, X-rays are directly converted into electrons and received as electrical signals. Photon-counting CT provides virtual monochromatic images with a high contrast-to-noise ratio for abdominal CT imaging and may improve the ability to visualize small or low-contrast lesions. In addition, photon-counting CT may offer the possibility of reducing radiation dose. This review provides an overview of the actual clinical operation of photon-counting CT and its diagnostic utility in abdominal imaging. We also describe the clinical implications of photon-counting CT including imaging of hepatocellular carcinoma, liver metastases, hepatic steatosis, pancreatic cancer, intraductal mucinous neoplasm of the pancreas, and thrombus. Graphical Abstract