文献速递骨肌MR

基于深度学习的图像重建在肩关节MR成像中的应用:提高图像质量并缩短扫描时间

Application of deep learning-based image reconstruction in MR imaging of the shoulder joint to improve image quality and reduce scan time.
PubMed 文献 · Eur Radiol · 2022-09-27

前瞻性纳入30例患者,比较常规PROPELLER序列与加速PROPELLER序列经深度学习重建后的图像质量和诊断信心。DL序列平均图像质量和诊断信心均更高(p=0.01),SNR(p=0.01)和CNR(p=0.02)显著更高,扫描时间从19分18秒缩短至7分16秒。

要点

  • DL序列扫描时间7分16秒,较常规序列19分18秒缩短62%,图像质量和诊断信心更高。
  • 17例肩峰下滑囊增厚超过2mm仅在DL序列可见,常规序列仅7例可见。
  • DL序列与常规序列对肩袖肌腱、肌肉、盂唇和软骨病变的评估性能相当。

核心结论

  • 加速PROPELLER序列经DL后处理显示优于常规PROPELLER序列的图像质量和更高诊断信心。
  • 肩峰下滑囊可在DL序列中充分评估,其他肩关节结构在两种序列中评估性能相当且一致性良好。

研究设计与样本

  • 前瞻性队列研究,纳入2021年6月至10月间30例(男19例、女11例,年龄18–80岁)有肩关节MRI指征的患者。
  • 使用1.5-T MRI扫描仪(SIGNA Artist,GE Healthcare)和专用16通道肩关节线圈,采集轴位PD FS、矢状斜位T2W FS、矢状斜位T1W、冠状斜位PD FS和冠状斜位T1W FS序列。
  • 常规PROPELLER序列平均扫描时间19分18秒,加速序列7分16秒,加速序列经AIRTM Recon DL(GE Healthcare)后处理重建。
  • 由2名放射科医师(分别有6年和超过15年肌肉骨骼放射学经验)盲法独立评估,使用5点Likert量表评分图像质量和诊断信心。

关键影像表现/征象

  • DL序列在骨、软骨、肩袖肌肉和盂唇的平均图像质量评分分别为3.8、3.6、3.7和3.5,常规序列分别为2.6、2.2、2.6和2.6。
  • DL序列诊断信心评分在骨为3.8、肩袖肌肉3.9、软骨3.7、盂唇3.6,常规序列分别为3.5、3.6、2.8和2.9。
  • 17例肩峰下滑囊增厚超过2mm仅在DL序列中可见,常规序列仅7例可见,两者差异有统计学意义(p<0.05)。
  • 所有分析图像集中均未观察到运动伪影。

诊断标准与关键数值

  • 图像质量和诊断信心采用5点Likert量表(0—差,1—轻度,2—中度,3—好,4—完美)。
  • 肩峰下滑囊增厚超过2mm定义为异常,小于2mm视为正常。
  • 肩袖肌肉质量按Goutallier等人所述方法评估。
  • DL序列平均SNR在肌肉和脂肪显著高于常规序列(p<0.05),骨无显著差异(p>0.05);平均CNR显著高于常规序列(p<0.05)。

临床应用与阅片要点

  • DL序列较常规序列图像质量和诊断信心更高(p=0.01),阅片时可优先关注肩峰下滑囊的细微增厚。
  • 肩峰下滑囊增厚超过2mm在DL序列中显示更清晰,17例仅在DL序列可见,报告时应注意此差异。
  • 常规序列和DL序列对肩袖肌腱、肌肉、盂唇和软骨病变的评估性能相当,两者间一致性良好。

局限性

  • 原文未报告局限性。
全文中译17 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2022 Sep 27;33(3):1513–25. doi: 10.1007/s00330-022-09151-1

引言

磁共振成像(MRI)可提供最佳的骨与软组织对比度,因此是评估肩关节的首选检查方法[1, 2]。MRI能够详细评估肩袖肌腱、肱二头肌肌腱、盂唇和软骨等不同解剖结构及其相应病变,且准确性高[3–6]。

肩关节的常规MRI通常采用多平面快速自旋回波(FSE)序列进行,从而获得不同对比加权的高分辨率图像[7, 8]。然而,合并多种慢性疾病的患者因费力呼吸产生的运动伪影或邻近血管搏动所致的运动伪影是可能的局限性,可能降低FSE序列的图像质量[9, 10]。由于肩关节位于身体外周,可能出现与患者体位相关的问题。即使在依从性良好但因肩部疼痛就诊的患者中,也可能产生运动伪影[11, 12]。

为克服这些局限性,已提出了多种减少运动伪影的重建技术,例如通过周期性旋转重叠平行线增强重建(PROPELLER)进行的径向k空间采样,也称为BLADE(西门子)和MultiVane-XD(飞利浦)[13–15]。PROPELLER技术通过围绕k空间旋转的同心平行线采集数据,能够校正空间变化并最终减少运动伪影。PROPELLER方法的主要缺点通常是采集时间增加[16]。

基于深度学习的卷积神经网络(DL)近期被引入以加速常规序列的图像重建,因其能够在保持最佳图像对比度的同时降低图像噪声和扫描时间[17, 18]。大多数采用基于深度学习重建的MRI方案常规使用FSE序列,且多项研究已证明其在不同肌肉骨骼结构评估中的成功应用[19–21];然而,深度学习重建应用于PROPELLER序列尚未被研究。

将PROPELLER采集技术与DL图像重建相结合,可能同时实现运动伪影抑制、图像噪声降低和扫描时间缩短。

本研究旨在比较常规PROPELLER MRI序列与经DL后处理的加速PROPELLER MRI序列在肩关节评估中的图像质量和诊断效能。

材料与方法

本前瞻性队列研究获得了伦理委员会批准。每例纳入患者均签署了书面知情同意书。

患者

2021年6月至10月期间具有肩关节MRI检查指征的患者被前瞻性扫描并纳入研究。所有序列(包括常规序列)均采用PROPELLER技术在工作站上以斜冠状面、斜矢状面和横断面采集,然后传输至阅片工作站以进行基于DL的后处理。

进行了一项先验效能分析,以评估最小队列规模,效应量为0.5,α误差为0.05,β误差为0.2。数据呈拉普拉斯分布,得出最小队列规模为23例患者。因此,我们将队列规模目标设定为超过所需的23例患者,最终纳入30例患者。

本研究共纳入30例患者,年龄18至80岁,以男性为主(男性 n = 19,女性 n = 11)。详细描述的流程图见图1。

图1 患者筛选流程图 查看原图 ↗

MRI方案与MR采集

MRI检查使用1.5-T MRI扫描仪(SIGNA Artist,GE Healthcare)配合专用16通道肩关节线圈进行。

肩关节标准检查包括轴位质子密度(PD)脂肪饱和(FS)、斜矢状位T2加权FS、斜矢状位T1加权、斜冠状位PD FS和斜冠状位T1加权FS序列。相同序列 additionally 以显著缩短的扫描时间但增加图像噪声的方式采集,并接受深度学习(DL)重建算法(AIRTM Recon DL®,GE Healthcare)处理。所有序列均采用PROPELLER技术采集。

标准方案的平均扫描时间为19分18秒,而用于基于DL重建的加速方案为7分16秒。详细MRI参数见表1。

一旦采集到原始加速MR图像,将其传输至后处理软件(Orchestra SDK,GE Healthcare),然后使用AIRTM Recon DL算法进行重建,最终标记为DL序列。

AIRTM Recon DL流程包括一个深度卷积神经网络(CNN),该网络对原始复数成像数据进行处理以生成干净的输出图像。具体而言,CNN设计用于(1)提供用户可调的图像噪声降低,(2)减少截断伪影,(3)改善边缘锐度。集成到扫描仪原生的在线重建流程中至关重要,因为这提供了对原始全位深数据的访问。该CNN在约10,000个卷积核中包含440万个可训练参数。它是一个卷积网络,适用于所有MR相关图像尺寸。该CNN采用监督学习方法训练,使用代表接近完美和常规MRI图像的图像对。接近完美的训练数据由高分辨率、最小振铃和极低噪声水平的图像组成。常规训练数据由接近完美的图像使用既定方法合成,以创建分辨率更低、截断伪影更多且噪声水平更高的版本[22]。

用于图像后处理的专用软件(Orchestra SDK,GE Healthcare)使用AIRTM Recon DL算法从作为输入的原始数据中去除噪声和吉布斯振铃伪影,然后计算最终图像[22]。在后处理中可选择低、中、高不同水平的SNR改善。DL序列使用了100%的最大SNR改善水平。

所有图像数据集最终发送至我科的PACS(IMPAX 6;Agfa-Gevaert N.V.)进行进一步分析。

表1 常规PROPELLER MRI序列和用于后处理的加速PROPELLER MRI序列的MRI参数 查看原表 ↗

图像分析

在初始培训中,使用常规PROPELLER和经深度学习后处理的序列对一组未纳入研究样本的15例肩关节MRI检查进行了评估。对差异进行了充分讨论,直至达成一致。随后,由两名放射科医生(一名具有6年经验的委员会认证放射科医生和一名在肌肉骨骼放射学领域拥有超过15年经验的委员会认证放射科医生)在不知晓任何临床信息的情况下独立评估MRI图像。所有图像集均去除了所有序列标识(常规序列与深度学习序列),然后混合。阅片者以随机顺序审阅所有图像。阅片完成后,为统计分析目的揭晓序列类型信息。

阅片者内一致性由委员会认证放射科医生(M.K.)在初次阅片后8周进行。

图像质量的定性评估

常规序列和深度学习序列的图像质量分别针对骨与软骨(肱骨和肩胛盂)、盂唇、肌肉(三角肌和肩袖肌肉)、肩袖肌腱、肱二头肌长头腱、皮下脂肪和肩锁关节,使用5点Likert量表(0—差,1—轻度,2—中等,3—好,4—完美)进行评估。向阅片者说明了如何根据先前展示的示例图像对图像质量进行评分,这些示例图像说明了5点Likert量表中每个等级。评分为4表示最佳图像质量,图像锐度高,无可检测的图像噪声,所分析结构显示完美,无任何不均匀性或信号改变。评分为3分配给与日常图像质量相当的图像,图像质量略差,有轻微图像噪声,但所分析结构显示很好,无明显不均匀性。评分为2给予图像质量明显较低、图像噪声易于检测的图像,肩关节结构显示保留,有明显但不令人困扰的不均匀性。评分为1和0给予图像质量差的图像,噪声很多,所分析结构的显示明显失真(评分1)或几乎不可能(评分0)。

对上述结构评估的诊断信心以及对中心和外周视野(FOV)内脂肪饱和的轮廓锐度和均匀性的评估,使用5点量表(0—差,1—轻度,2—中等,3—好,4—完美)进行。阅片者对诊断信心的评分如下:评分4:病灶检测完美,高度怀疑病灶;评分3:病灶检测良好,高度怀疑病灶;评分2:病灶检测仍可能,中度怀疑病灶;评分1:病灶检测几乎不可能;评分0:对任何病变的评估不充分。

中心FOV定义为肩胛盂中段水平的盂肱关节区域,外周FOV定义为胸大肌最内侧部分。此外,在两个图像集中评估了运动伪影的存在。

肩部结构及相关病变

对不同关节结构的评估如下进行:记录并描述骨骼的任何病理学发现。软骨评估为(0)正常且均匀,(1)轮廓正常但存在局灶性不均匀区域,(2)部分厚度软骨缺失小于50%,或(3)部分厚度软骨缺失大于50%或全层软骨缺失伴软骨下骨暴露。肩袖肌肉的肌肉质量按Goutallier等[23, 24]所述方法评估。冈上肌(SSP)肌腱的质量分类为(0)正常,(1)肌腱病,(2)关节面侧部分厚度撕裂,(3)滑囊面侧部分厚度撕裂,(4)全层撕裂。冈下肌(ISP)和肩胛下肌(SSC)肌腱的特征为(0)正常,(1)肌腱病,(2)部分厚度撕裂,(3)全层撕裂。肱二头肌长头腱(LHBT)在结节间沟中的质量和位置评估如下:(0)正常,(1)肌腱病,(2)半脱位但仍位于结节间沟内,(3)从结节间沟移位。盂唇分类为(0)正常,(1)轻度,(2)中度,(3)重度退变,(4)撕裂。肩锁(AC)关节评估为(0)正常,(1)轻度,(2)中度,或(3)重度退变。肩峰下滑囊特征为(0)不可见;(1)小于2 mm,视为正常;(2)增厚超过2 mm,按White等[25]所述视为异常。每个结构均在采集图像集和序列的所有平面上进行评估。

图像质量的定量评估

为定量评估图像质量,测量了两个序列的信噪比(SNR)和对比噪声比(CNR)。在每个图像集上分别放置5 mm²的感兴趣区(ROI),以确定骨骼(肱骨头内)、肌肉(三角肌)和皮下脂肪的信号强度(SI)。噪声定义为在体外空气中测量的ROI内SI的标准差(SD)。

SNR和CNR计算如下:

统计分析

所有图像质量和诊断信心的结果均进行汇总,并使用Wilcoxon符号秩检验在常规序列与DL序列之间进行比较[26]。图像质量与诊断信心之间的相关性使用Spearman秩相关计算。应用Shapiro-Wilk检验评估结果的正态分布[27–29]。若发现序列间存在显著差异,则额外进行Bonferroni-Holm事后检验以进行多重比较[30]。

常规序列与DL序列之间的一致性以及图像质量和诊断信心的读者间和读者内信度使用组内相关系数(ICC)计算[31]。ICC值低于0.5视为差,0.5至0.75之间为中等,0.75至0.9之间为良好,超过0.9为极好信度[32]。

所有评估结构的病理学发现均按每位读者分别记录。应用Cohen kappa统计量评估病理学发现的读者间和读者内一致性[33, 34]。Kappa值在0.41至0.60之间视为中等一致,0.61至0.80之间为高度一致,高于0.81为几乎完全一致[35]。p < 0.05视为显著。所有统计分析均使用SPSS v. 26.0(IBM)进行。

结果

本研究共纳入30例患者(女11例,男19例;年龄范围18~80岁)。患者特征(包括年龄、性别、肩关节侧别)、肩部MRI检查指征及MRI表现见补充材料(表1.supp)。

定性图像质量与诊断信心

常规序列与深度学习(DL)序列在骨评估中的平均图像质量分别为2.6和3.8,软骨为2.2和3.6,肩袖肌肉为2.6和3.7,盂唇为2.6和3.5。

常规序列与DL序列评估骨的平均诊断信心分别为3.5和3.8,肩袖肌肉为3.6和3.9,软骨为2.8和3.7,盂唇为2.9和3.6。

对于肩关节所有分析结构,DL序列的平均图像质量和诊断信心均显著优于常规序列(p < 0.05)。详细信息见表2和表3。两种序列的示例见图2。

表2 常规序列与基于深度学习卷积神经网络(DL)后处理序列中肩关节所有分析结构的图像质量。骨与软骨的图像质量评估中,评估了骨性盂唇和肱骨。常规序列与DL序列的图像质量采用5点Likert量表评估(0—差,1—轻度,2—中等,3—好,4—完美) 查看原表 ↗
表3 常规序列与基于深度学习卷积神经网络(DL)后处理序列中肩关节所有分析结构的诊断信心。常规序列与DL序列的诊断信心采用5点Likert量表评估(0—差,1—轻度,2—中等,3—好,4—完美) 查看原表 ↗
图2 一名32岁男性右肩关节MR图像。a 常规PROPELLER冠状斜位质子密度(PD)脂肪饱和(FS)图像,b 基于深度学习卷积神经网络(DL)后处理后的冠状斜位PD FS图像,c 常规PROPELLER矢状斜位T2加权(T2w)FS图像,d 基于DL后处理后的矢状斜位T2w FS图像,e 常规PROPELLER轴位PD FS图像,f 基于DL后处理后的轴位PD FS图像,g 常规PROPELLER矢状斜位T1加权(T1w)图像,h 基于DL后处理后的矢状斜位T1w图像 查看原图 ↗

肩部结构及相关病变的评估

在17例中,使用DL序列识别出肩峰下滑囊增厚,而使用常规序列仅识别出7例,两种序列在肩峰下滑囊正确勾画方面差异有统计学意义(p < 0.05)。其他分析结构及相关病理表现通过常规序列和DL序列均可得到正确评估。

两位阅片者评估的常规序列和DL序列中所有分析结构的病变汇总见表4。两种序列显示病变的示例见图3、图4和图5。

表4 常规序列与基于深度学习卷积神经网络(DL)后处理序列中所有分析结构的汇总 查看原表 ↗
图3 71岁女性右肩关节MR图像。a 常规PROPELLER冠状斜位质子密度(PD)脂肪饱和(FS)图像,b 使用基于深度学习的卷积神经网络(DL)后处理后的冠状斜位PD FS图像,显示肩峰下滑囊(箭头)。在DL序列中,肩峰下滑囊内少量液体的存在及肩峰下滑囊轻度增厚清晰可见 查看原图 ↗
图4 40岁女性右肩关节MR图像,肩关节前脱位后肩痛。a 常规PROPELLER轴位质子密度(PD)脂肪饱和(FS),b 使用DL后处理后的轴位PD FS图像,显示盂唇前中部撕裂(箭头)。该病变在常规和后处理MR序列中均可提示;然而,在后处理序列中边界更为清晰 查看原图 ↗
图5 78岁男性右肩关节MR图像,慢性肩痛。a 常规PROPELLER矢状斜位T1加权(T1w)图像,b 使用DL后处理后的矢状斜位T1w图像,显示肩锁关节退行性改变(粗白箭头)、肱骨头软骨下囊肿(细白箭头)及关节积液(三角形)。所有病变在两个序列中均可勾勒;然而,后处理序列噪声更少,因此病变易于识别 查看原图 ↗

图像质量的定量评估(SNR和CNR)

骨、肌肉和脂肪的平均SNR在DL序列中高于常规序列,肌肉和脂肪差异有统计学意义(p < 0.05),但骨差异无统计学意义(p > 0.05)(表7和补充表8)。

DL序列的平均CNR显著高于常规序列(p < 0.05)。

SNR和CNR的箱线图见图6。在任何分析的图像集中均未观察到运动伪影。

图6 骨、肌肉和脂肪的SNR(a)以及使用DL后处理序列和常规序列的CNR(b)。骨、肌肉和脂肪的平均SNR在使用DL后处理序列中高于常规序列,肌肉和脂肪差异有统计学意义(p < 0.05),但骨差异无统计学意义。使用DL后处理序列的平均CNR显著高于常规序列(p < 0.05) 查看原图 ↗

读者间一致性

对常规序列图像质量评估的总体读者间一致性为中等,DL序列的ICC值分别为0.659和0.582。对常规序列和D序列诊断信心评估的读者间一致性为中等,ICC值分别为0.695和0.595。

图像质量和诊断信心评估的读者间一致性的详细结果见补充材料(补充表2和3)。

在病变发现评估中,肩袖肌肉评估的读者间一致性几乎完美,常规序列和DL序列的kappa值分别为0.947和0.892;软骨评估的一致性为中等,kappa值分别为0.524和0.532。

病变发现评估的读者间一致性见表5。

表5 使用深度学习卷积神经网络(DL)对传统序列和后处理序列所有研究结构的病理表现评估的阅片者间一致性。图像质量和诊断信心的阅片者间信度使用组内相关系数(ICC)计算。ICC值低于0.5被认为差,0.5至0.75之间为中等,0.75至0.9之间为好,超过0.9为极好信度 查看原表 ↗

阅片者内一致性

传统序列和DL序列在图像质量和诊断信心评估方面总体阅片者内一致性良好,ICC值分别为0.837和0.898以及0.883和0.819。

传统序列和DL序列在冈上肌腱和盂唇评估方面阅片者内一致性几乎完美,kappa值分别为0.907和0.815以及0.821和0.860。传统序列和DL序列在软骨评估方面阅片者内一致性分别为基本一致和几乎完美,kappa值为0.741和0.841。总体而言,传统序列和DL序列在所有分析结构的病理表现评估方面阅片者内一致性基本一致,kappa值分别为0.840和0.842。

所有分析参数的阅片者内一致性见补充材料(表supp 4-6)。

讨论

据我们所知,这是首项将PROPELLER MR采集技术与DL图像重建方法相结合用于肩关节成像的研究。与传统PROPELLER序列相比,PROPELLER DL序列在所研究的肩关节解剖结构方面显示出显著更高的图像质量,从而导致更高的诊断信心和相当的诊断性能。

Dietrich等将PROPELLER技术用于肩关节MRI描述为一种减少运动伪影同时提高图像质量的有用方法[13]。PROPELLER技术通过在k空间周围旋转的同心平行线收集数据,能够校正空间变化并最终减少运动伪影[16]。PROPELLER方法的主要缺点通常是采集时间增加。在本研究中,传统PROPELLER序列的平均采集时间为19分18秒,在使用DL进行后处理的加速序列中可缩短至7分16秒。这相当于扫描时间减少了62%。

在传统MR图像重建中,抑制吉布斯振铃伪影会导致空间分辨率损失和图像质量降低。通过应用用于图像后处理的基于深度学习的厂商软件,可以在保持高图像质量和分辨率的同时抑制振铃伪影[22]。正如预期的那样,与传统的序列相比,DL序列总体上具有更好的图像质量和诊断信心。然而,大多数病理表现的勾画和检测在使用两种序列时同样可行。唯一的例外是肩峰下滑囊,其在DL序列中可以更好地勾画和评估。这可能是由于DL序列中图像质量更高,从而更容易勾画肩峰下滑囊等细微结构。

基于深度学习的图像重建使用快速自旋回波(FSE)磁共振序列已被应用于包括脑、肝、心脏和周围神经在内的不同器官的成像[21, 36–40]。最近有研究描述了将PROPELLER技术与基于深度学习的图像重建联合应用于脑和前列腺成像,并取得了信噪比(SNR)和图像锐度的改善[41, 42]。

PROPELLER技术是一种成熟的数据采集方法,适用于需要减少运动伪影的情况,尤其是在腹部、肺部或肩关节成像中[13, 16, 43–47]。腋血管中的血流可能是肩部MRI中搏动伪影的潜在来源;因此,应考虑使用PROPELLER技术以尽量减少运动伪影。在本研究中应用PROPELLER技术后,常规序列和深度学习序列中的运动伪影均得到抑制,未观察到运动伪影。

这些发现与Hahn等人的研究一致,该研究探讨了深度学习重建在快速自旋回波序列中用于加速肩部MRI的回顾性应用[19]。在Hahn等人的研究中,加速MRI序列的平均扫描时间为3分5秒,图像质量低于常规MRI序列,而应用深度学习重建后图像质量与常规序列相当。Hahn等人进行的是回顾性研究,而我们前瞻性地研究了PROPELLER采集技术与深度学习重建相结合以尽量减少运动伪影。扫描时间的大幅缩短不仅允许每台扫描仪更高的患者通量,还可能提供更高的患者舒适度。

常规序列和深度学习序列的图像质量在阅片者间具有中等一致性,常规序列和深度学习序列的诊断信心也均具有中等一致性。对于习惯于阅读常规MR图像的阅片者而言,新型深度学习序列不寻常的图像印象可能影响了主观图像质量感知。

本研究存在若干局限性。首先,所有MR图像均使用PROPELLER技术采集;因此,我们未对常规FSE序列与PROPELLER序列在采集用于深度学习后处理的加速序列方面进行比较。虽然如先前所述FSE序列常规应用于深度学习采集,但缺乏关于PROPELLER技术用于基于深度学习的重建的文献[19–21]。

其次,我们未对疑似肩关节损伤的患者进行随访,且MRI表现与关节镜参考标准之间无相关性。然而,先前研究已描述了MR表现与关节镜检查在评估肩部病变方面具有良好的相关性,在诊断肩袖撕裂、骨软骨缺损和某些盂唇撕裂以及评估肌肉质量方面具有高准确性[48–54]。此外,本研究的主要目的是比较常规PROPELLER技术与使用深度学习重建的技术在图像质量和诊断性能方面的差异。最后,我们未分析PROPELLER技术对肩部植入物成像和术后磁敏感伪影的图像质量和诊断性能的影响。这值得在进一步研究中进行分析。

总之,在肩关节成像中,与常规PROPELLER序列相比,采用深度学习(DL)后处理的运动校正PROPELLER磁共振成像技术显示出更优的图像质量和更高的诊断信心。肩关节病变在常规PROPELLER和DL序列中均可被正确评估。由于与传统序列相比扫描时间显著缩短且信噪比(SNR)和对比噪声比(CNR)更高,使用DL后处理的PROPELLER序列可在其他中心进一步验证后考虑用于临床。

补充信息

(DOCX 38 kb)

引用

  1. Kaniewska M, Deininger-Czermak E, Getzmann JM, et al. Application of deep learning-based image reconstruction in MR imaging of the shoulder joint to improve image quality and reduce scan time. Eur Radiol. 2022. PMID: 36166084. doi:10.1007/s00330-022-09151-1
  2. 全文:PMC9935676(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9935676/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。