European Radiology：深度学习重建方法在肩MRI中的应用

在现代社会，肩部疼痛非常普遍，严重影响患者的生活及工作。在普通人群中，急性和慢性肩痛往往源于肩袖病变和其他软组织结构的病变。核磁共振成像具有高对比度和分辨率是，目前肩痛成像的首选方式。肩部MR成像对于肩痛患者来说往往是一种挑战（呼吸伪影、疼痛引起的运动伪影等）和手术引起的潜在伪影。此外，由于图像噪声的增加（如Rician噪声）或受表面线圈的限制，位于线圈元件外围的组织由于噪声的增加而无法评估，成像质量影响较大。

为了减少图像噪声，临床上已经引入了不同的策略，包括主要基于过滤、转换或统计方法的传统方法，以及基于卷积神经元网络（CNN）和通用对抗网络（GAN）的现代DL方法。在最近的研究中，有人建议将基于深度学习的算法应用于加速MR扫描的重建以及图像去噪。

近日，发表在European Radiology杂志的一项研究评估了一项结合了PI、CS和基于DL算法（CS DL）的重建框架的诊断性能和去噪能力，并进一步评估了其在多平面肩部MRI上对各种病变显示及诊断的价值。

本项研究前瞻性地对38名肩痛患者（14名女性，平均年龄40.0±15.2岁）进行了形态学MRI检查，并使用了伪随机、密度加权的K空间方案，加速因子为2.5。使用了一个基于DL的自动算法（CS DL）来创建与CS重建相同的K空间数据的重建。图像由两位放射科医生进行分析，并使用4分的Likert量表对病变、图像质量和解剖标志物的可见性进行评估。

CS DL重建和CS图像之间检测病变的总体一致性很高，几乎完美（κ 0.95（95%置信区间0.82-1.00））。与CS相比，CS DL图像的图像质量和肩袖、关节软骨和腋窝的可见度总体上均明显高于CS（P < 0.03）。软骨/液体（CS DL 198 ± 24.3，CS 130 ± 32.2，p = 0.02）和韧带/液体（CS DL 184 ± 17.3，CS 141 ± 23.5，p = 0.03）的对比度-噪声比明显更高，CS DL重建的韧带和肌肉的SNR值明显更高（p < 0.04）。 

图 A 34岁的急性Bankart骨折患者的IM加权TSE序列。B 图像的高分辨率CS DL重建，图像噪声明显降低，骨折边界清晰可辨（白色箭头）

本项研究表明，使用基于DL的MRI重建和去噪算法可用来评估肩部病变。在临床常规中，CS DL的临床前景较高，在减少图像噪音方面效果显著，并有助于病变的检测及诊断。使用基于压缩传感的深度学习框架进行图像重建和去噪可实现对肩部病变的评估，图像质量改善、信噪比也更高。 

原文出处：

Georg C Feuerriegel,Kilian Weiss,Sophia Kronthaler,et al.Evaluation of a deep learning-based reconstruction method for denoising and image enhancement of shoulder MRI in patients with shoulder pain.DOI:10.1007/s00330-023-09472-9