深度学习MRI重建算法临床应用新进展述评
来源：磁共振成像传媒
自深度学习重建（deep learning reconstruction, DLR）算法应用于MRI临床以来，其对MRI图像信噪比、对比度及扫描速度的提升迅速成为行业关注的热点。为推动业界对DLR认识，2023年5月，我们联合国内知名专家，整合DLR领域初步的探索成果，在《磁共振成像》杂志出版了“深度学习MRI”专题。时光荏苒，过去的一年，有更多医院参与探索DLR的应用潜能，临床应用成果不断涌现。此外，DLR本身也在不断更新迭代，可支持的序列也在不断拓展（3D成像、定量成像及动态电影成像等）。基于此，我们将再次推出“深度学习MRI”专题，通过展示国内最新的研究成果，促进DLR应用迈向更广更深的领域。
DLR刚应用于临床时，只能支持部分2D序列，如今可以支持多个3D自旋回波序列（fast spin echo, FSE）及梯度回波序列（gradient echo, GRE），不仅提高图像信噪比（signal-to-noise ratio, SNR）及对比噪声比（contrast-noise-ratio, CNR），且缩短成像时间，也可以进一步提高空间分辨率，更好地显示微小结构及病变。垂体病变一直是MRI诊断的难点，将DLR应用于3D CUBE T1WI序列，采集层厚最薄仅为0.3 mm，与常规1 mm 2D T1WI相比较，显著提高了对微腺瘤和海绵窦侵犯的检出 。3D GRE T1WI是颅脑增强扫描常用的序列，传统成像通常需要较长的时间，应用DLR之后，在保证图像质量的同时，可降低60%成像时间 。在骨肌方面，基于DLR的亚毫米等体素CUBE T2WI更精准判断椎间孔和椎管狭窄程度，且不同阅片人评估的一致性更高 。在体部方面也有应用成果的报道，如使用DLR之后的肝胆特异性对比剂增强的肝胆期，和传统序列相比，能有效提高图像质量及肿瘤的检出率 。
运动伪影一直是影响MRI图像质量的重要原因。运动伪影抑制序列因其独特的k空间填充方式，能有效减轻各类运动伪影，广泛应用于颅脑、骨关节、腹盆等多个部位。与传统采集方法相比，结合DLR技术的周期性旋转重叠平行线增强重建（periodically rotated overlapping parallel lines with enhanced reconstruction, PROPELLER）序列，除了缩短成像时间、抑制运动伪影之外，还能在更短的时间内实现高空间分辨率成像，检出微小病变 。而PROPELLER和DLR结合应用于直肠癌术前分期，图像的运动伪影明显减少，同时实现了1.2 mm层厚高分辨率T2WI，提高了对壁外血管侵犯（extramural venous invasion, EMVI）和肿瘤肠周浸润的检出率 。
定量成像是MRI的优势之一。集成MRI（magnetic resonance image compilation, MAGiC）能一站式获取组织T1、T2等弛豫定量图谱，在生长发育评估、退行性疾病程度评估及肿瘤性病变鉴别诊断方面具有广泛的应用。然而，较长的扫描时间限制了其在临床的推广。将DLR应用于MAGiC序列后，不仅改善了图像质量，且不影响定量结果，同时缩短了成像时间 。此外，心肌定量成像，包括T1 mapping，T2 mapping及T2 mapping等均已支持DLR，这将有助于提升心脏MRI扫描流程及图像质量稳定性。
心脏电影成像是评估心功能的金标准。传统成像方式一次屏气只能采集1~2层，因此完整检查要求患者多次屏气，对于无法配合的患者往往会检查失败。基于时间和原始空间双层深度学习的Sonic DL技术，实现了自由呼吸下的电影成像。与常规电影序列相比较，极大地缩短成像时间（75%~85%），并且提高了图像SNR和CNR，对左室射血分数不构成显著影响，有效解决了不能屏气和心律不齐患者CMR成像难题 。
经过过去一年多的临床实践，DLR应用的部位不断拓展，并在部分临床场景的应用已逐渐取代传统的重建方式，在加快扫描速度、提升图像质量、提高图像分辨率方面的价值得到广泛认可。本期入选的8篇文章，涉及的部位非常广泛，研究结果更加显示了DLR技术的应用价值，助力MRI不断提升诊断能力。目前DLR已覆盖了临床绝大多数序列，期待DLR能实现全序列应用（如动脉自旋标记，4D Flow等），同时进一步缩短扫描时间，以推动MRI在临床诊疗中发挥更大的作用，成为MRI技术革新路上的里程碑。
【严福华.深度学习MRI重建算法临床应用新进展述评[J].磁共振成像,2024,15(10):1-2.
DOI：10.12015/issn.1674-8034.2024.10.001】
（作者：严福华）
点击此处“阅读原文”可查看详细内容；关注“磁共振成像传媒”公众号与《磁共振成像》杂志共同成长！
推荐阅读
1.基于磁共振深度学习图像重建算法的心肌延迟强化在未识别心肌梗死中的应用
陆雪芳 闫玉辰 龚威 权光南 刘薇音 查云飞
【磁共振成像 2024年10期】
目的 探讨基于磁共振深度学习重建（deep learning reconstruction,DLR）算法的心肌延迟强化（lategadolinium enhancement, LGE）提高临床未识别心肌梗死（unrecognizedmyocardial infarction, UMI）患者识别率...
出版日期： 2024年10月
2.基于深度学习的图像重建在提高颞下颌关节MRI图像质量中的初步应用研究
王春杰 单艺 张越 武春雪 刘灿 王静娟 吴涛 葛献鹏 卢洁
【磁共振成像 2024年10期】
目的 探讨深度学习重建（deep learning reconstruction,DLR）技术在提高颞下颌关节MRI快速自旋回波-质子密度加权成像（fast-spinecho proton density weighted imaging, FSE-PD）图像质量及缩短扫描时间中的应用...
出版日期： 2024年10月
3.基于深度学习重建的扩散加权成像在肺部病变良恶性鉴别中的应用价值
李婕 夏艺 徐美玲 林晓青 姜松 代建昆 蒋欣昂 孙光远 刘士远 范丽
【磁共振成像 2024年10期】
目的 评估深度学习重建（deep learning reconstruction,DLR）对肺部扩散加权成像（diffusionweighted imaging, DWI）图像质量的影响，并探讨DLR在肺部良恶性病变鉴别诊断中的价值。 材料与方法 前瞻性招募61例...
出版日期： 2024年10月
4.基于DCE-MRI图像深度学习模型鉴别诊断乳腺良恶性肿瘤的价值分析
罗文斌 郑晔 刘欣 王蕾 段少银
【磁共振成像 2024年10期】
目的 探讨基于动态对比增强磁共振成像（dynamic contrast-enhancedmagnetic resonance imaging, DCE-MRI）图像深度学习模型鉴别诊断乳腺良恶性肿瘤的价值。 材料与方法 回顾性分析2018年9月至2022年12月厦门医学...
出版日期： 2024年10月
5.基于深度学习重建和传统TSE序列在直肠癌磁共振检查的对比研究
胡思洁 范文文 滕泽 刘侃 童晓婉 江岳娈 刘鹏 郎宇 NickelMarcelDominik 张红梅
【磁共振成像 2024年10期】
目的 评估深度学习重建（deep learning reconstruction, DLRecon）技术在提高直肠MRI快速自旋回波序列（turbo spin-echo, TSE）图像质量的价值。 材料与方法 前瞻性纳入2023年9月至2024年1月中国医学科学院肿瘤...
出版日期： 2024年10月
6.基于深度学习重建扩散加权成像图像评估甲状腺相关性眼病的活动性
王云梦 崔园园 倪双爽 代建昆 万欣怡 陈歆 姜沁伶 程宇欣 张天然 马宜传 萧毅
【磁共振成像 2024年10期】
目的 探讨深度学习重建（deep learning reconstruction,DLR）扩散加权成像（diffusionweighted imaging, DWI）图像在甲状腺相关性眼病（thyroid-associatedophthalmopathy, TAO）活动期与非活动期评估中的价值...
出版日期： 2024年10月
7.深度学习重建技术在乳腺MRI图像质量优化中的应用研究
范文文 冯倩倩 李二妮 刘侃 权光南 王鹏 卢铜锁 胡思洁 郎宇 张红梅
【磁共振成像 2024年10期】
目的 评估深度学习重建技术（deep learning reconstruction,DLR）在提升乳腺多序列、多参数MRI图像质量中的应用价值。 材料与方法 前瞻性纳入60例病理诊断为乳腺癌的初诊患者（60个病灶），分别行乳腺MRI常规快...
出版日期： 2024年10月
8.基于深度学习重建的卵巢高分辨单次激发快速自旋回波MRI在卵泡计数中的应用研究
杨仁杰 邹宇洁 刘薇音 刘昌盛 文之 李亮 查云飞
【磁共振成像 2024年10期】
目的 与经阴道超声（transvaginal ultrasonography,TVUS）以及常规算法重建（conventionalreconstruction, CR）的高分辨单次激发快速自旋回波（single-shotfast spin-echo, SSFSE）和螺旋桨...
出版日期： 2024年10月
9.MRI影像组学和深度学习在前列腺癌中的研究进展
刘嘉睿 吴慧 刘娜 高凯华 杨姣
【磁共振成像 2024年05期】
前列腺癌（prostatecancer, Pca）是男性泌尿生殖系统最常见的恶性肿瘤之一，其发病率逐年上升，因此Pca早期诊断、病理分级、风险分层和预后评估对患者诊疗计划的制订至关重要。近年来影像组学和深度学习...
出版日期： 2024年05月
10.基于注意力机制和MRI的深度学习模型预测中轴型脊柱关节炎骶髂关节新骨形成进展
李翊 宋丽文 赵英华
【磁共振成像 2024年05期】
目的 探讨基于注意力机制的深度学习（deep learning, DL）模型在骶髂关节（sacroiliac joint, SIJ）MRI冠状位T1序列图像预测中轴型脊柱关节炎（axial spondylarthritis, axSpA）患者新骨形成进展的临床价值。 材...
出版日期： 2024年05月
编辑：江 俊
初审：张 琴
复审：王志强
终审：贺光军
版权声明
磁共振成像传媒提倡尊重和保护知识产权。欢迎转载，但需取得本平台书面授权许可。欢迎转发微信朋友圈或微信群，欢迎合理引用。如您对文章内容版权存疑，请发邮件至editor@cjmri.cn，我们将与您及时沟通处理。本平台内容仅供参考、学习使用，不为盈利且不作为医疗、诊断依据。
欢迎点赞 收藏 分享