European Radiology：基于深度学习算法在磁共振肩部成像中的应用

现阶段，磁共振成像（MRI）是包括肩部在内的关节成像中应用最全面的影像学方法。快速自旋回波（FSE）序列包括T1加权成像（T1WI）、质子密度（PD）WI或T2WI的三个平面，是肩部成像中最常用的标准扫描方案。整个肩部MR检查通常需要15分钟的时间。而且在扫描过程中，患者需要保持静止以获得高质量的图像。因此，缩短扫描时间可以减轻患者的不适感、提高工作效率。

最近，用于加速MRI扫描的压缩传感（CS）算法已广泛使用于临床。由于通过利用图像冗余对K空间数据进行稀疏的低采样，CS显示了其在不降低图像质量的情况下减少扫描时间的能力。

然而，CS-MRI仍有一些固有的缺陷。其中之一是需要合适的稀疏变换算法来重建来自随机和高度欠采样的K空间数据的图像。以前的研究已经探索了通过使用深度神经网络来重建采样不足的k-空间数据，该网络将k-空间测量作为输入并产生重建的图像。这些方法比传统的MRI实现了更快的重建，同时没有降低图像质量。此外，深度神经网络架构，特别是卷积神经网络（CNN）也成功地解决了包括图像超分辨率、变性和绘画在内的广义逆问题，与CS-MRI重建相同。在最近的深度学习（DL）研究中，有学者提出了一个用于重建图像的U-net架构。

近日，发表在European Radiology杂志的一项研究探讨了二维肩部MR成像中的平行序列在临床应用中的价值，同时评估了使用DL-MRI与传统二维成像（非DL-MRI）相比图像质量和诊断效果之间的差异。

本项回顾性研究得到了当地伦理委员会的批准。研究纳入了70名同时接受DL-MRI和非DL-MRI检查的连续患者进行图像质量和病变诊断比较。另有400名患者只接受了DL-MRI检查。所有患者的图像质量由20名放射科医生通过满意度调查进行评估。使用Kendall W测试来评估观察者之间的一致性，Wilcoxon检验用于比较图像质量。对于病变诊断，通过卡帕分析评估观察者之间和研究者之间的一致性。 

与非DL-MRI（11分钟25秒）相比，DL-MRI的扫描时间（6分钟1秒）减少了近50%。DL-MRI的PDWI（DL为4.85±0.31，非DL为4.73±0.29）和T2WI（DL为4.95±0.2，非DL为4.74±0.41）的图像质量都比较高。在DL-MRI（Kendall W: 0.588~0.902）和非DL-MRI（Kendall W: 0751~0.865）上，所有MR序列的图像质量都有良好的观察者间一致性。在DL-MRI的PDWI和T2WI中，SNRs和|CNR|都明显较高。非DL-MRI和DL-MRI的病变观察者间和研究间高度一致（卡帕值=0.913至1.000）。400名接受DL-MRI的肩部患者的图像质量满意度调查结果在所有放射科医生中获得5分。 

图 a-d 一个67岁女性患者的肩部图像。在非DL（a）和DL-MRI（b）的轴位FS PDWI上，关节积液（长箭头）和骨水肿（短箭头）都可清晰显示。冈上肌腱的水肿（长箭头）和盂唇的水肿（短箭头）在冠状面PDWI上都显示得十分清楚。e, f 一位55岁男性患者的肩部图像。非DL（e）和DL-MRI（f）的轴位PDWI显示肱二头肌长头周围有渗出（长箭头）。冈上肌的损伤（长箭头）显示在非DL（g）和DL-MRI（h）的冠状面PDWI图像上

研究表明，与非DL-MRI相比，肩部DL-MRI可以大大减少扫描时间，同时提高PDWI和T2WI的成像质量。 

原始出处：

Jing Liu,Wei Li,Ziyuan Li,et al.Magnetic resonance shoulder imaging using deep learning-based algorithm.DOI:10.1007/s00330-023-09470-x