深度学习助力三维脑 MRI 重建：大幅缩短扫描时间且保障图像质量

《BMC Medical Imaging》：Deep learning-based reconstruction for three-dimensional volumetric brain MRI: a qualitative and quantitative assessment

为解决传统加速技术在脑 MRI 中引入噪声、降低分辨率及深度学习重建（DLR）在神经放射学领域未经验证的问题，研究人员开展基于自适应压缩感知（CS）网络的 DLR 在脑 MRI 中性能评估的研究，结果表明 DLR 可减时保质，为临床脑成像提供新选择。

　　在医学影像领域，三维（3D）高分辨率结构磁共振成像（MRI）是评估各种神经系统疾病的重要手段，其中 3D T1 加权成像更是用于结构解剖评估和体积分析的基础序列。然而，为了在有限的扫描时间内获取可接受的图像质量，人们开发了诸多加速技术，像并行成像、压缩感知（CS）和部分傅里叶等。但这些技术在高加速因子下，不可避免地会引入噪声，降低空间分辨率，就如同在清晰的图像上蒙上了一层雾，干扰了医生对病变的精准判断。

近年来，深度学习（DL）在加速磁共振扫描重建和图像去噪方面崭露头角，受到广泛关注。配备 DL 重建（DLR）去噪功能的 MRI 扫描仪已应用于临床。其中一种基于自适应压缩感知网络的 DLR 方法，利用新型卷积神经网络（CNN）整合并增强传统的 CS - SENSE 算法，用多尺度稀疏变换替代基于小波的稀疏变换，在迭代重建过程中自动优化稀疏约束，提升去噪性能。不过，该方法在神经放射学领域尚未得到验证。

在此背景下，韩国延世大学医学院龙仁 Severance 医院等机构的研究人员开展了一项前瞻性研究，旨在评估基于自适应 CS 网络的新型 DLR 工具在成人大脑 3D T1 加权图像（T1）中的性能，并验证其在临床中的可行性和实用性 。该研究成果发表在《BMC Medical Imaging》上。

研究人员为开展此项研究，主要采用了以下关键技术方法：招募 10 名健康志愿者和 22 名连续患者作为样本队列；使用 3T MR 扫描仪及 32 通道接收头线圈，为志愿者和患者设定不同的成像协议获取 MRI 图像；运用基于自适应 CS 网络的 DLR 技术；由两名神经放射科医生和一名初级住院医师对图像质量进行定性评估；借助 FastSurfer 软件进行定量分析，获取大脑不同区域的体积；运用多种统计方法对数据进行分析 。

下面来看具体的研究结果：

• 扫描时间显著缩短：通过应用 CS 因子 2 和 4，扫描时间分别减少至参考标准的 65.4% 和 33.5%，对比 CS2 和 CS4，CS4 的扫描时间更是缩短至 CS2 的 51.2% 。
• 定性分析结果：评估者间一致性良好（κ = 0.844 - 0.926）。在健康志愿者中，CS2 相较于参考标准，除信噪比（SNR）外，其他指标质量均显著下降；DLR 应用于 CS2 后，各指标质量显著提升至参考标准水平。CS4 在五个序列中表现最差，应用 DLR（DLR - CS4）后，各指标质量显著改善，与 CS2 相比，除整体图像质量和 SNR 外，其他指标质量相当。在患者组中，DLR - CS4 尽管扫描时间缩短约一半，但所有指标质量与 CS2 相当。
• 定量分析结果：在健康志愿者和患者中，不同 3D T1 序列下，侧脑室（LV）、海马体、脉络丛（CP）、白质低信号（WMH）、杏仁核和伏隔核的体积均无显著差异 ，Bland - Altman 分析进一步表明 CS2 和 DLR - CS4 的定量值一致性良好。

研究结论和讨论部分指出，DLR 重建的 CS2 图像在所有指标上与参考标准相当，且扫描时间缩短约 60%；DLR 重建的 CS4 图像在健康志愿者和患者中，扫描时间约为 CS2 的一半，图像质量相当；不同加速因子或 DLR 的应用对体积分析结果无显著影响 。这意味着 DLR 能在大幅缩短扫描时间的同时，保持可接受的图像质量，提供准确的体积分析结果，是一种可行的工具，可应用于临床脑成像。不过，该研究也存在一定局限性，如样本量较小、仅关注 3D T1 加权图像、未对特定病变的 SNR 等进行计算、未评估对特定疾病诊断性能的影响以及仅使用一种软件进行体积分析等。未来需要更大样本量、多机构的研究，进一步评估 DLR 在其他序列中的应用，完善其在临床诊断中的价值。总的来说，这项研究为 DLR 在临床脑成像中的应用提供了重要依据，有望推动医学影像技术的发展，让患者在更短时间内获得更精准的诊断。