1.引言；2. DL在头颅影像的应用；3.DL三维成像优势；4.DL在脊柱成像中的应用；5.DL重建潜在的问题； 引用文献： Yoo, Roh-Eul, and Seung Hong Choi. “Deep Learning-based Image Enhancement Techniques for Fast MRI in Neuroimaging.” Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine vol. 23,3 (2024): 341-351. doi:10.2463/mrms.rev.2023-0153
引言
1 . 并行成像和压缩感知等加速体积采集的技术突破已被实施，以实现欠采样的k空间采集和重建，在磁共振检查中可以缩短整体的扫描时间，实现了 临床意义上的（ 例如患者的舒适度和诊断图像质量 ） 多重意义，和 健康经济学 的角度上也具有重要意义（ 减少运动导致的重复扫描、提高医疗服务质量、减轻潜在的医疗成本财务负担 ）；
2. 深度学习（DL）在提升较短时间MRI扫描的图像质量方面展现出了巨大潜力： 如 卷积神经网络等网络结构 在 改善含噪图像的图像质量 方面表现出色； 许多MRI设备供应商已开发出 基于DL的图像重建软件 ，这些软件可 直接与自身图像采集流程相结合，用于原始数据或k空间域 ；另一些 供应商则采取了不同的方法，开发出在DICOM域中运行的模型，更注重模型的泛化能力；
1.Altmann等人对30名接受1.5T常规脑成像方案（ 包括2D T1、T2、T2*、T2-FLAIR（液体衰减反转恢复）和弥散加权成像DWI ）的患者进行了研究，并将这些患者的成像结果与经过DL增强重建的相同方案的加速版本进行了比较（ 扫描时间缩短了78%，使用4点Likert法评分，DL处理的DWI得分略低，但诊断置信度得到了相似的数值 ）； 2. Tajima等人的研究观察了11名志愿者，在类似的1.5T设置中没有尝试加速，并将3T的重复扫描作为参考标准。 原始1.5T图像与经过DL处理的1.5T图像 （高级智能lear-IQ引擎[AiCE]；日本佳能医疗系统公司）之间的比较结果表明， 经过DL处理的1.5T图像 在所有序列中的 感知图像质量、SNR和CNR均高于原始1.5T图像 。此外，经过 DL处理的1.5T图像与3T图像 几乎 相当 ，甚至 更优 ； 3. 另一项研究专注于 改善用于帕金森病（PD）的黑质敏感MRI（下图所示） 。利用基于DL的重建技术来 降低3T扫描仪上常规2D梯度回波（GRE）图像（带有磁化转移对比准备）的噪声 ； 研究人员选择在 3min12s 内获取的 NEX为1 图像作为 基于DL的重建 （AiCE）的输入，同时将同一患者的 NEX为5扫描（15min58s） 作为参考标准； 在NEX为1图像上使用DL重建后，SNR和CNR明显提高，与NEX为5相当 ； 结果表明在不牺牲图像质量的情况下减少这些MR检查的扫描时间具有潜在可能性； 30岁健康女性NEX为1、NEX为1+DL和NEX为5图像 。 上排箭头所示为黑质（SN），下排箭头所示为蓝斑（LC）； 4. 基于DL的图像重建的另一个应用是薄层 成像（下图所示） 。 对于像 垂体这样的小脑结构 的临床成像，需要 进行薄层采集（但会牺牲SNR） 以 避免部分体积平均效应 ； Lee等人和Kim等人的研究专注于利用 基于DL的重建 来改善垂体腺瘤成像， 从患者身上 获取了3mm常规和1mm冠状薄层对比增强T1WI图像 ，并在 1mm图像上应用了基于DL的重建（AIR Recon DL，GE Healthcare，美国） ； 使用 DL重建的薄层图像 在显示正常的垂体柄和腺体方面 具有更高的SNR和更好的清晰度 ； 在 1mm图像上 观察到 新发现的腺瘤的实 例，而在 3mm常规图像上未能可视化 ； 5. 基于 DL的图像重建技术在治疗后环境中的应用(下图所示) 。利用在3mm和1mm设置下获取的类似数据，研究人员专注于比较这三种图像 在识别残留肿瘤和海绵窦侵犯方面的诊断性能 。结果显示，经过 DL处理的1毫米MR图像 （AIR Recon DL）在识别残留肿瘤方面与3mm图像 表现相当 ，而在 识别海绵窦侵犯方面表现更佳 ;作者还报告称， 使用1mm MRI+DL ，分别有20例和14例患者的诊断得以做出，而这些诊断 无法通过传统的3mm MR图像实现 ; 图A：左侧 3mm冠状位增强T1（左侧），1mm图像（中间），DL重建的1mm图像（右侧）。 左侧鞍窝内的残留肿瘤（箭头） 在DL上清晰可见 ； 图B： 左侧 3mm冠状位增强T1（左侧），1mm图像（中间），DL重建的1mm图像（右侧）。 紧贴右侧海绵窦内颈内动脉的微小残留肿瘤（箭头） 在DL上清晰可见 ； 6. I wamura等人对42名多发性硬化症（MS）患者进行了薄层脑成像的类似假设研究（下图所示） 。在他们的研究中，作者比较了传统的T2WI_2D_5mm与 T2WI_2D_1mm（使用DL重建，AIR Recon） ，结果显示，DL 重建的1mm图像检测到的MS病变总数显著更 高, 作者还报告说，在 脑干中检测到的MS病变数量差异最大 ； 相对 较大的MS病变（大箭头）可以在T2WI_5mm（a）和带有DLR的T2WI_1mm（d）上看到 ; 关于MS病变的可见性，带有T2WI_1mm_DLR（d）优于没有T2WI_1mm（e）； 在带有T2WI_1mm_DLR（d）上的病变（箭头所指）可以准确地与背景噪声区分开来 ，但在没有DLR的T2WI_1mm（e）上则不能； 7. 儿童 。 Kim等人最近发表了他们利用基于DL的重建（AIR Recon DL）来改善 107名儿科患者 的 常规T2加权脑部MRI图像质量 的研究成果， 结果显示，经过DL处理的图像在整体 图像质量、噪声和灰白质锐度方面明显更好 。该算法还 改善了截断伪影 ，并在107名患者中发现的36个病变中显示出更好的病变清晰度；
1. 三维成像 。 与二维（2D）采集场景相比， 3D成像 能够在 更高的空间分辨率 下获取体积数据。然而， 增加的z方向（切片方向）的相位编码 会根据k空间中编码线的数量 延长采集时间 ，这限制了其在各种成像场景中的广泛应用；28名MS患者接受了四种不同加速水平的3D FLAIR序列的前瞻性扫描，导致采集时间分别为4min54s（标准）、2min35s（快速）、1min40s（超快速）和1min15s（最短）。然后， 每个3D图像都使用深度学习（AiCE）进行了重建 ，并进行了 有无深度学习的比较 ，包括主观图像质量和定量指标。视觉评估结果显示，随着 加速因子的增加，图像质量会降低 ，但 DL重建可以改善图像质量 ,基于 DL的重建 能够 降低AVD值 （绝对体积差异）,作者强调，经过 DL处理的FLAIR（2min35s） 和参考FLAIR图像（4min54s）之间的 DSC分数是相当的 ； 2. 基于DL的重建在3D图像上的应用扩展到了3D T1和3D T2 FLAIR的对比前和对比后图像 。 通过将采集期间的 相位编码线数量减少一半 ，开发了机构标准护理（SOC）成像序列的加速版本， 平均实现了大约45%的扫描时间减少 ， 更快采集的图像使用基于DL的重建软件（SubtleMR；Subtle Medical，美国）进行处理； 与SOC图像相比， DL重建 的图像在 T1对比前和对比后序列 的 图像SNR方面得分更高 。对于 T2 FLAIR ， DL重建 的图像在所有标准中 得分都高于SOC ，除了诊断信心； 基 于 DL重建 能够在 保持 3D脑MRI 图像质量的同时显著减少扫描时间 ； 3. 基于DL重建的3D T1图像在3D血管壁成像的优势 。 研究回顾性地获取了185张3D T1磁化准备快速梯度回波（MP-RAGE）图像和18张3D VWI图像，所有图像都使用基于DL的图像重建软件的修改版本（SwiftMR；AIRS Medical，韩国）进行了处理。 使用诸如整体 图像质量、感知SNR、对比度、锐度和伪影 等标准， 还定性评估了海马、乳头体-丘脑束、穹窿等详细脑结构的清晰度， 经过 DL重建处理的图像具有更优的图像质量 （ 3.7vs4.9，P<0.001 ）以及 更优的病变清晰度 （ 4.1±0.7vs5.0±0.0，P<0.03 ） ； A .图像质量评估的箱线图，中位数值通过点状线连接 。DL基础重建（dDLR）通常改善了图像质量；即使是 质量较差的图像也被提升到了中等质量 ； B. 不同FLAIR采集的代表性重建轴位切片，无dDLR（上排）和有dDLR（下排） 。可以观察到，随着扫描时间的减少， 噪声的量和病变的逐渐阴影化 ， 1个、2个和3个 星号分别表示 P< 0.05、P<0.01和P<0.001 ；
MRI是评估脊柱各种状况（包括椎间盘和/或椎体的退行性变化、中央管狭窄、椎间孔狭窄和脊椎滑脱）时最常用的诊断成像方式之一 。 扫描时间较长（ 需要评估大量的骨骼、软组织和关节，脊柱检查通常需要进行多次成像，涉及多种对比度和成像平面的组合 ），因患者不适导致的运动伪影经常出现，这使得在临床环境中加速图像采集成为一种需求；通过DL重建技术既能减少扫描时间又能保证图像质量显得极为重要； 1. Bash等人发表了一项关于使用基于DL的重建来加速脊柱MRI检查的前瞻性、多中心、多读者研究。 每位患者都接受了 标准协议（171.2±66.4秒）和快速（96.2±41.2秒）协议 ， 结果显示，经过DL处理的加速图像在 感知SNR方面更高，伪影更少 ，而在其他特征上与标准图像相当，这表明脊柱MRI检查的 扫描时间有40%的潜在减少 ； 2. Seo等人的研究专注于利用基于DL的重建技术来减少颈椎成像的扫描时间。 50名患者接受了 传统的Dixon_SAG成像和加速的Dixon_SAG成像 ，加速成像的 扫描时间减少了23.76% ，加速图像使用基于深度学习的重建软件（Deep Resolve；西门子医疗，德国）进行重建。 经过DL重建的图像在 显示脊髓、椎间盘边缘、背根神经节和小关节等解剖特征方面表现出更高的清晰度 。椎间盘突出、小关节骨关节炎、中央管狭窄和椎间孔狭窄等异常情况显示出相当到完美的方法间一致性； 3. 压缩感知（CS） 、 敏感性编码（SENSE） ，以及最近它们的组合 CS-SENSE等欠采样方法 ，已经在日常临床成像场景中实施，以 实现高水平的加速 （下图所示） 。 Fervers等人还研究了将CS-SENSE与基于深度学习的重建相结合，以实现腰椎成像更高加速的潜力。 以 SENSE因子为2.5 的参考T2_TSE_3D图像 作为参考标准 , 并从20名健康志愿者中获取了三组（ 加速因子为4.5、8和11 ）带有CS-SENSE的加速T2_TSE_3D图像; 使用基于深度学习的重建软件（SmartSpeed；荷兰飞利浦）对“加速”图像进行重建。 结果显示，加速因子为 4.5的CS-SENSE图像在主观评分上高于参考标准 ， 8倍和11倍加速的图像 在 某些标准上 也显示出 优于标准图像 。 骨骼中的表观SNR 在DL重建图像中 显示出显著更好的结果 。 4. 基于深度学习的重建算法提供了对输入图像进行降噪量的选择（下图所示） 。 50名患有坐骨神经痛的慢性下背痛患者被前瞻性地纳入研究， 与SOC相比， 加速图像平均减少了32.3%的扫描时间 。将基于DL的重建算法（SwiftMR）应用于加速图像，以创建两组具有不同相对SNR水平的图像，并以定量和定性的方式评估所有图像 ； 定量分析 显示，两种降噪水平都 显著提高了SNR和CNR ， 两种DL重建的图像 在T1WI_SAG和T2WI_TRA图像 上的 感知图像质量都优于SOC ，并且在 T1WI_SAG 图像上显示出 相似的质量 。 两种图像在 T2WI_TRA图像上对马尾神经和脊旁肌肉的描绘更好 ; 5. 基于DL的重建技术在低场强成像中也具有很高的潜力。 在这项研究中，14名健康志愿者分别在 0.55T和参考1.5T扫描仪 上进行了成像，并且0.55T获取的图像使用基于深度学习的重建软件（Deep Resolve）进行了后处理。 评分者间的一致性良好至优秀（虽然评分略低于1.5T） ，这表明利用DL重建增强的低场强成像在腰椎成像方面具有潜力；
1.算法可能会移除或模糊正常的解剖细节或细微病变（ 对图像应用了过度的降噪，或者是输入图像的SNR远低于算法训练时所针对的水平 ）， 导致算法在识别图像的噪声特征方面表现不佳； 2. 算法可能会在输出图像上产生伪影。虽然深DL研究团队仍在调查这些“幻觉”的确切原因，但通过 稳健的训练 以确保算法在 不同成像场景中的稳定表现 是 解决这一问题的一种潜在方法 ；
基于DL的产品本质上是 对含噪或低分辨率图像进行质量提升 ，使得在现有的加速采集方法基础上 能够进一步减少扫描时间 。 这种对扫描时间与图像质量之间权衡的改变已经进入了各种临床环境。特别是，基于DL的MRI图像重建可能是 急诊科患者 （需要迅速做出治疗决策）、 生命体征不稳定的患者以及容易运动的患者 （包括儿科患者）进行快速MRI成像的一个有前景的解决方案；
参考文献
Yoo, Roh-Eul, and Seung Hong Choi. “Deep Learning-based Image Enhancement Techniques for Fast MRI in Neuroimaging.” Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine vol. 23,3 (2024): 341-351. doi:10.2463/mrms.rev.2023-0153
