深度学习重建在改善磁共振神经黑色素图像质量中的价值研究

作者：于阳; 赵澄; 齐志刚; 吴涛; 卢洁^*

来源：磁共振成像, 2023, 14(05): 11-15.

DOI：10.12015/issn.1674-8034.2023.05.003

• 黑质
• 蓝斑
• 信噪比
• 对比噪声比
• 深度学习重建
• 磁共振成像

目的 探讨深度学习重建（deep learning reconstruction, DL Recon）在改善神经黑色素MRI序列图像质量中的价值。材料与方法 前瞻性纳入2022年5月10日至2022年5月31日首都医科大学宣武医院正常志愿者30例，并对每位志愿者进行DL Recon 2D快速自旋回波（fast spin echo, FSE）T1WI序列及临床传统2D FSE T1WI扫描，并保存DL Recon 2D FSE T1WI原始图像（即未施加DL Recon的图像），扫描结束后对3组图像进行主客观评价，主观评价采用“五分法”分别对图像均匀度、锐利度、伪影、图像整体质量进行评分，结果采用四分位间距M (P25, P75)进行统计描述；客观评价从中脑黑质（substantia nigra, SN）、蓝斑（locus ceruleus, LC）的信噪比（signal to noise ratio, SNR）以及上述区域与周边组织的对比噪声比（contrast noise ratio, CNR）进行评价，采用方差分析对结果进行统计学分析。结果 DL Recon 2D FSE T1WI图像、原始图像及临床传统2D FSE T1WI图像均匀度的主观评分分别为4(4,5)、4(4,5)、4(4,5)(Z=1.31,P>0.05)；锐利度评分为4(4,5)、3(3,4)、3(3,4)(Z=2.57,P<0.001)；伪影评分为3(3,4)、4(4,5)、4(4,5)(Z=3.43,P<0.001)；图像整体质量评分为4(4,5),3(2,3),3(3,4)(Z=2.77,P<0.001)。在对3组图像的主观评分中，图像均匀度之间的差异无统计学意义，锐利度、伪影和图像整体质量评分差异具有统计学意义（P<0.05）;DL Recon 2D FSE T1WI图像、原始图像及临床传统2D FSE T1WI图像客观评价结果为：SNRSN 250.38±9.02、66.19±7.32、110.91±10.10,SNRLC 220.41±12.02、 50.26±5.89、 90.38±11.70; CNRSN25.30±3.42、 7.87±1.12、 8.01±1.38; CNRLC30.17±2.23、 10.54±2.08、11.11±1.89。DL Recon 2D FSE T1W1组在显示SN和LC方面的SNR、CNR值均高于原始图像和传统2D FSE T1WI组，且差异有统计学意义（P<0.001）。结论 DL Recon 2D FSE T1WI序列通过采用原始K空间数据深度学习降噪算法，在保证空间分辨率的情况下，改善原始序列图像SNR及CNR，并且可大幅度缩短扫描时间，有望成为神经黑色素MRI的常规检查手段。

• 单位
  首都医科大学宣武医院