双网络深度学习技术提升头颈部MRI成像质量与效率：扫描时间缩短46%的创新突破

来自四川大学华西医院的研究团队针对头颈部MRI存在的运动伪影和分辨率-时间权衡问题，开发了基于双网络深度学习(DL)的超分辨率重建技术。该前瞻性研究纳入58例患者，结果显示DL重建使T1WI和T2WI扫描时间分别减少46.3%和26.9%，同时显著提升信噪比(SNR)和对比度(CR)，为临床提供高效优质的影像解决方案。

　　

头颈部磁共振成像(MRI)长期面临运动伪影与"高分辨率-短扫描时间"不可兼得的技术瓶颈。四川大学华西医院团队创新性地采用双网络深度学习框架，对加速采集的T₁加权像(T₁WI)和T₂加权像(T₂WI)进行超分辨率重建。这项前瞻性研究纳入97例头颈部肿块患者，最终58例完成配对扫描验证。

定量分析显示，深度学习重建后的图像信噪比(SNR)显著提升（T₁WI从20.65跃升至26.33，T₂WI从11.26提高到14.14），对比度(CR)也明显改善（T₁WI从0.18增至0.20，T₂WI从0.30升至0.34）。更令人振奋的是，在保持诊断质量的前提下，T₁WI扫描时间缩短近半(46.3%)，T₂WI也减少26.9%。两位盲法评估的放射科医师给出5分制评分证实，重建后图像在锐利度、病灶显影度和解剖结构显示方面均有显著提升。

这项突破性技术既解决了传统MRI"鱼与熊掌"的难题，又为患者带来更舒适的检查体验。虽然研究得到飞利浦医疗技术人员的序列优化支持，但所有数据均由非企业背景的研究团队独立掌控，确保结论的客观性。该成果为医学影像领域树立了人工智能与临床需求完美结合的新标杆。