深度学习在颅脑体素内不相干运动磁共振成像质量中的应用

作者：李琼阁; 殷雅彦; 赵澄; 齐志刚; 卢洁^*

来源：磁共振成像, 2023, 14(05): 16-20.

DOI：10.12015/issn.1674-8034.2023.05.004

• 体素不相干运动
• 深度学习
• 颅脑
• 扩散加权成像
• 磁共振成像

目的 探讨深度学习（deep learning, DL）重建算法在加速体素内不相干运动（intravoxel incoherent motion,IVIM）MRI中的应用价值。材料与方法 基于3.0 T MRI系统，收集40例健康被试，对其分别进行基于DL重建的激励次数（即信号采集次数）为1的加速IVIM数据采集（DL＿IVIM），以及激励次数为2的常规图像采集（ORIG＿IVIM）。采用Wilcoxon秩和检验比较二者的扫描时间、图像的信噪比（signal-to-noise ratio, SNR）、不均性指标（non-uniformity index, NUI），重建后的定量参数[扩散系数（diffusion coefficient, D值）、伪扩散系数（pseudo-diffusion coefficient, D*值）和灌注分数（perfusion fraction, F值）]。采用卡方检验比较DL＿IVIM与ORGI＿IVIM的主观评级得分。结果 相较于ORIG＿IVIM,DL＿IVIM的扫描时间缩短了23.4%。此外，DL＿IVIM的SNR（除b=0 s/mm2外）和主观评价得分显著高于ORIG＿IVIM(P<0.05),NUI（除b=0 s/mm2外）显著低于ORIG＿IVIM(P<0.05)，定量参数D、D*和F值差异无统计学意义（P>0.05）。DL＿IVIM的主观评价得分显著高于ORIG＿IVIM（χ2=32.81,P<0.001）。结论 DL算法在显著提升IVIM的图像质量、保证定量参数精确性的同时，缩短了扫描时长，为DL重建在临床IVIM成像的应用提供了有价值的参考信息。

• 单位
  首都医科大学宣武医院