Motivation: Free breathing DCE imaging utilizes stack-of-stars sampling, which can lead to streak artifacts and noise reduction when too few spokes are used. Goal(s): Our goal was to validate application of deep learning to 3D DISCO-Star DCE imaging in the abdomen via image quality assessment and noise characterization. Approach: DL and conventionally reconstructed images were assessed by two radiologists across different IQ attributes. Noise characteristics were evaluated by calculation of total variation. AUC was also calculated. Results: The radiologists preferred DL across many of the IQ attributes, with noticeably lowered noise and decreased streaks in DL images. AUC was similar between the two reconstructions. Impact: The application of DL to DISCO-Star DCE imaging provides enhanced diagnostic quality, with reduced streaking, higher SNR, and better in-plane resolution. This has the potential to improve care for abdominal patients who have trouble holding their breath.

Motivation: Fat suppressed T1 images, such as LAVA-FLEX, are routinely used in liver imaging, but can suffer from SNR and IQ issues. Goal(s): Our goal was to validate application of 3D deep learning to 3D LAVA-FLEX in routine adult liver imaging via a reader study and noise characterization. Approach: DL and conventionally reconstructed images were assessed across several IQ attributes (motion, ringing, edge, vessel) by two radiologists. Noise characteristics were evaluated by calculation of total variation and edge detection. Results: Based on the calculated odds ratios, the radiologists preferred DL across the various IQ attributes, with decreased noise and improved sharpness in DL images. Impact: The application of 3D DL to routine 3D LAVA-FLEX imaging provides increased diagnostic quality, and has the potential to improve routine abdominal care in patients who can't hold their breath.

Motivation: Free breathing DCE imaging is beneficial for patients who have difficulty holding their breath, but can be susceptible to artifacts and suboptimal contrast bolus timing, which may compromise diagnostic accuracy. Goal(s): Our goal was to validate application of deep learning to 3D DISCO-Star imaging in the abdomen after doubling the number of wash-in phases via spoke reordering. Approach: 8 and 16 wash-in phase images were assessed by two radiologists across different IQ attributes. Noise characteristics were evaluated and AUC was calculated. Results: The radiologists preferred DL enhanced 16 wash-in phase across many of the IQ attributes, with higher SNR and decreased streaks. Impact: The ability to double the wash-in phases in DISCO-Star DCE imaging without compromising image quality via deep learning will provide enhanced diagnostic quality, and has the potential to improve patient care.