深度学习赋能膀胱磁共振成像：大幅缩时提质，开启精准诊断新篇

《Abdominal Radiology》：Optimizing bladder magnetic resonance imaging: accelerating scan time and improving image quality through deep learning

为探究深度学习（DL）在膀胱 T2 加权成像（T2DL）中的价值，研究人员对 28 例膀胱癌患者开展研究。结果显示 T2DL扫描时间大幅缩短，图像质量更佳，诊断信心和 T2 评分与标准 T2 加权涡轮自旋回波（T2S）序列相似，初步证明其临床可行性。

　　目的：探究深度学习（DL）在膀胱 T2 加权成像（T2_DL）方面，与标准 T2 加权涡轮自旋回波（T2_S）成像相比，在采集时间（TA）、图像质量以及诊断信心上的价值。方法：前瞻性纳入 28 例连续的膀胱癌评估患者，为每位参与者进行三个平面的 T2_S和 T2_DL序列扫描，并对比两种采集方案的采集时间。由两名放射科医生独立使用 5 分李克特量表对伪影、噪声、整体图像质量和诊断信心进行图像评估，5 分表示最佳质量。此外，两名阅片者基于膀胱影像报告和数据系统（VI-RADS）进行 T2 评分。结果：与 T2_S相比，T2_DL在轴向采集时间缩短 49.4%，冠状面和矢状面缩短 43.8%。T2_DL在伪影和噪声的严重程度及影响方面优于 T2_S（均 p＜0.05）。在轴向和矢状面成像中，T2_DL的整体图像质量高于 T2_S（均 p＜0.05）。两个序列在所有平面的诊断信心和 T2 评分无差异（p＞0.05）。结论：该研究初步证明了基于 DL 重建的膀胱磁共振 T2 加权成像在临床实践中的可行性。与标准 T2 TSE 序列相比，T2_DL实现了采集时间的缩短、病变检测能力的提升和整体图像质量的提高，同时诊断信心和 T2 评分相似。