基于深度学习的去噪图像重建在儿童体部磁共振成像中的应用
该回顾性研究评估了21名儿童在1.5T扫描仪上采用径向k空间填充技术(PROPELLER)的胸腹部MRI,比较深度学习(DL)去噪重建与传统重建的图像质量和扫描时间。结果显示DL重建在T1和T2加权图像上均显著提高信噪比和对比噪声比(P<0.001),整体图像质量更优,每层扫描时间缩短;但非呼吸门控T1加权图像上呼吸运动伪影更明显(P=0.015)。
要点
- DL去噪重建可显著提高儿童体部PROPELLER序列的信噪比和对比噪声比(P<0.001)。
- DL重建图像整体质量更优,但非呼吸门控T1加权图像呼吸运动伪影更明显(P=0.015)。
- DL重建使每层扫描时间缩短,T1加权从6.3秒降至4.8秒,T2加权从5.6秒降至4.2秒。
核心结论
- 采用径向k空间采样的儿童体部MRI,DL去噪重建可提高整体图像质量并缩短扫描时间。
- 非呼吸门控T1加权图像上呼吸运动伪影在DL重建后更明显。
研究设计与样本
- 回顾性研究,纳入21名儿童(中位年龄7岁,范围1.5岁至15.8岁),比较同一PROPELLER采集的DL重建与传统重建图像。
- 使用1.5T扫描仪(Signa Artist,GE HealthCare),采用多通道表面线圈,评估轴位T1加权和T2加权PROPELLER序列。
- 定量评估肝脏和脾脏的信噪比(SNR)和对比噪声比(CNR),定性评估由三名儿科放射科医师采用4分Likert量表独立完成。
关键影像表现/征象
- DL重建T1加权图像上肝脏中位SNR为101.6(IQR 58.2–170.4),脾脏为92.3(IQR 55.7–144.7);传统重建分别为48.4(IQR 37.0–72.7)和43.5(IQR 32.8–64.0)。
- DL重建T1加权图像上肝脏中位CNR为32.9(IQR 16.7–53.1),脾脏为20.1(IQR 13.6–34.8);传统重建分别为15.4(IQR 12.1–23.0)和10.3(IQR 8.2–15.0)。
- DL重建T2加权图像上肝脏中位SNR为46.0(IQR 38.9–65.9),脾脏为118.1(IQR 97.0–150.3);传统重建分别为22.2(IQR 17.0–36.9)和56.6(IQR 49.0–90.3)。
- DL重建T2加权图像上肝脏中位CNR为20.8(IQR 12.2–26.5),脾脏为88.7(IQR 77.5–122.2);传统重建分别为9.8(IQR 5.6–15.0)和44.2(IQR 37.0–72.3)。
诊断标准与关键数值
- 噪声评分:3=无噪声,2=轻度噪声,1=噪声可能遮挡血管,0=不可诊断。
- 运动伪影评分:3=无伪影,2=轻度,1=中度,0=重度。
- 可见性评分:3=清晰可见且边缘锐利,2=可见但模糊,1=几乎不可见,0=不可见。
- 累积图像质量评分为六项图像质量指标之和,取三名阅片者评分的中位数用于比较。
临床应用与阅片要点
- DL去噪重建可提高儿童体部PROPELLER序列的图像质量并缩短扫描时间,可能有助于减少不合作患儿的总成像时间或缩短幼儿的镇静时间。
- 非呼吸门控T1加权图像上DL重建可能使呼吸运动伪影更明显,需在序列采集时尽量减少运动伪影。
- 本研究中DL重建未观察到解剖结构或真实病灶的丢失或增加,小血管显示更清晰。
局限性
- 符合纳入标准的病例数较少。
- 检查仅在1.5T扫描仪上进行,结果不能推广至其他场强。
- 未分析DL重建序列对器官病灶检测的能力,因为残留肿瘤或其他器官病灶数量太少。
全文中译13 节 · 点击展开
引言
磁共振成像(MRI)因其相较于计算机断层扫描具有更高的分辨率、组织对比度以及无电离辐射的特点,在儿科多样化的临床场景中是一种重要的横断面成像方法。儿科MRI中的伪影是实现诊断级图像质量的重大挑战。运动伪影通常由患者的粗大运动、呼吸运动、血管搏动、肠蠕动或心脏收缩引起[1]。为改善图像质量从而提高诊断确定性,已开发了多种最小化或抑制运动伪影的方法,如抑制运动组织的信号、生理门控、交换频率编码与相位编码方向、使用超快速序列、并行成像或旋转k空间填充模式[2]。径向k空间采样与标准笛卡尔数据采集方法并行,自20世纪80年代MRI引入医学影像领域以来即是最早的图像重建方法之一[3]。在过去二十年中其重要性日益凸显,并因其运动伪影抑制能力和图像质量的提升,越来越多地被作为儿科MRI成像方案的标准化组成部分加以实施[4, 5]。自1999年Pipe[6]提出以来,周期性旋转重叠平行线增强重建(PROPELLER)方法因其卓越的解剖细节显示能力,已广泛应用于头部、肺部、腹部或肩部成像[5, 7–10]。然而,由于中心k空间的过采样,该采集技术与传统笛卡尔序列相比将扫描时间增加了π/2倍。此后,针对这一局限性的解决方法得到了研究。Tamhane等提出了通过减少叶片数量对k空间进行欠采样与迭代重建相结合的方案,以缩短采集时间同时保持运动校正能力,然而降低了信噪比[11],而体部MRI的信噪比本已较低。近年来计算机科学的进展使人工智能(AI)工具在医学影像中得以广泛应用。深度学习(DL)作为AI的一个子集,近年来已被应用于诊断影像的多个领域,从图像重建到病灶检测[12]。DL可用于从欠采样k空间中现有信号外推未知信号,或可应用于MR图像重建的不同信号处理步骤,从而改善图像质量并缩短检查时间[13, 14]。去噪是图像重建解决方案之一,可增强原始k空间或图像域数据,其临床价值近期已在多项研究中得到证实[15–18]。
在本研究中,我们评估了儿童体部MRI中T1加权和T2加权PROPELLER序列传统图像重建与基于AI的去噪图像重建的图像质量,并比较了扫描时间长度。
材料与方法
患者
本回顾性研究已获得当地伦理委员会批准(BASEC-Nr. 2023-00703)。已获得对现有影像数据进行评估的同意,并适用HIPAA隐私规则。连续纳入80例在本机构使用1.5-T扫描仪(Signa Artist,GE HealthCare,Waukesha,WI)采用基于深度学习的图像重建的PROPELLER序列行胸腹部MRI检查的患者。纳入标准为具备既往采用常规重建PROPELLER序列行胸腹部MRI检查的资料,以便比较既往PROPELLER方案与当前加速PROPELLER方案的扫描时间。
成像方案与后处理
患者使用覆盖胸腹部的多通道表面线圈(AIR™ Coil,GE HealthCare,Waukesha,WI)行胸腹部成像。常规方案包括三维(3D)短tau反转恢复快速自旋回波序列(CUBE)和扩散加权成像、轴位和冠状位T1加权PROPELLER序列,以及呼吸门控轴位T2加权脂肪抑制PROPELLER。静脉注射单剂量钆基对比剂(钆特酸,Dotarem,Guerbet AG,Zürich,Switzerland)后,行动态3D采集(DISCO),随后行3D T1加权快速梯度回波序列(LAVA)。
本研究对象为增强前获得的T1加权和T2加权轴位PROPELLER图像。本研究中的PROPELLER序列采用比我们既往标准方案更高的图像矩阵和更少的信号平均次数采集(扫描参数见表1)。扫描时间从MRI扫描仪内部计时中提取,该计时保存于医学数字成像和通信(DICOM)元数据中,在此以每层秒数报告以进行标准化。截至研究时,基于深度学习的图像重建算法(AIR™ Recon DL,GE HealthCare,Waukesha,WI)由供应商作为儿科体部成像的研究选项提供。重建流程包括一个残差神经网络,该网络经过训练以减少噪声和截断伪影,并提高原始叶片组合图像的边缘锐度。该卷积残差网络采用监督学习方法,使用接近完美的、高分辨率和常规图像对进行训练[15, 19, 20]。该模型被整合到常规PROPELLER重建流程中,从同一次采集生成常规和深度学习重建图像。评估了深度学习重建与常规方法相比对图像质量的影响。将当前PROPELLER采集的扫描时间与既往使用我们旧标准PROPELLER方案采集的检查的扫描时间进行比较。
定量图像评估
计算肝脏和脾脏的信噪比(SNR)以及肝脏和脾脏相对于脊柱肌肉的对比噪声比(CNR),以评估定量图像质量。
信噪比(SNR)计算为器官实质信号强度(SI)与背景信号强度标准差(SD)——即空气SD——的比值。对比噪声比(CNR)定义为感兴趣组织与参考组织的信号贡献(SI)之差除以空气SD。
测量在肝脏和脾脏实质内(避开血管)以及体旁空气内进行,采用直径范围为9.1 mm至10.6 mm(面积范围为65 mm²至89 mm²)的圆形感兴趣区(ROI)。如技术可行,肝脏、脾脏和空气内的ROI置于x轴上同一直线上。为确定CNR,选择自体脊柱旁肌肉作为参考组织。ROI在T1加权和T2加权图像上置于器官、肌肉和空气的相同位置。ROI放置示例见图1。
定性图像评估
在数据分析之前,常规重建和深度学习(DL)重建的图像均经过匿名处理,并移除了序列信息。图像由三位委员会认证的儿科放射科医师(C.J.K.,30年经验;V.P.,13年经验;M.Z.,8年经验)以随机顺序独立审阅,观察者对患者临床数据设盲。采用4点Likert量表评估图像是否存在噪声、运动伪影、肺底外周肺血管和亚段支气管的可见性、腹部器官边缘以及外周肝脾血管的可见性。
噪声程度评分如下:3=无噪声,2=轻度噪声,1=噪声可能遮挡血管,0=无法诊断。运动伪影评估如下:3=无伪影,2=轻度,1=中度,0=重度。观察者按以下方式评估外周肺血管(胸膜下1 cm)、亚段支气管及外周肝脾血管的可见性:3=显示清晰、边缘锐利,2=可见但模糊,1=几乎不可见,0=不可见。腹部器官边缘评分如下:3=显示清晰、边缘锐利,2=可见但模糊,1=几乎不可见,0=不可见。
对于每个序列及相应的重建方法,由三位观察者评估六项图像质量项目,并用于累积图像质量评分。取三位阅片者累积图像质量评分的中位数用于比较不同重建类型。
统计学
主要分析显示数据不服从正态分布。定量和定性图像评估所收集的所有数据均采用Wilcoxon符号秩检验进行比较。确定了每种序列各重建方法之间P值<0.05的统计学显著性。三名阅片者之间图像质量一致性的可靠性通过组内相关系数(ICC)确定。ICC值<0.5表示一致性差,0.5至<0.75表示中等一致性,0.75至<0.9表示良好一致性,0.9至1表示极好一致性。统计分析使用XLSTAT软件版本2023.1.1(Lumivero (2025);XLSTAT统计与数据分析解决方案,纽约,NY;https://www.xlstat.com/en)和MedCalc®统计软件版本23.1.6(MedCalc Software Ltd,奥斯坦德,比利时;https://www.medcalc.org;2025)进行。
结果
本研究对21名符合纳入标准的儿童(11名男性和10名女性),中位年龄7岁(范围1.5岁至15.8岁)的MRI扫描进行了研究。胸部和腹部MRI至少包括肺底的临床指征为19例恶性肿瘤随访,包括神经母细胞瘤、肾母细胞瘤、肝母细胞瘤和T淋巴母细胞性淋巴瘤或伯基特淋巴瘤。2例分别因肝脏先天性血管瘤和肺及肝脏棘球蚴病转诊进行随访检查。19名患者在镇静状态下接受扫描,2名患者无需任何镇静。并非所有检查均进行了对比剂给药。
定量图像质量
对于DL重建的T1加权序列,肝脏的中位SNR为101.6(四分位距,58.2–170.4),脾脏为92.3(四分位距,55.7–144.7);肝脏的中位CNR为32.9(四分位距,16.7–53.1),脾脏为20.1(四分位距,13.6–34.8)。对于常规重建的T1加权图像,肝脏的中位SNR为48.4(四分位距,37.0–72.7),脾脏为43.5(四分位距,32.8–64.0);肝脏的中位CNR为15.4(四分位距,12.1–23.0),脾脏为10.3(四分位距,8.2–15.0)。DL重建序列中肝脏和脾脏的SNR和CNR显著高于常规方法重建的图像(分别为P<0.001)(图2a和3a)。
对于DL重建的T2加权图像,肝脏的中位SNR为46.0(四分位距,38.9–65.9),脾脏为118.1(四分位距,97.0–150.3);肝脏的中位CNR为20.8(四分位距,12.2–26.5),脾脏为88.7(四分位距,77.5–122.2)。对于常规重建的T2加权图像,肝脏的中位SNR为22.2(四分位距,17.0–36.9),脾脏为56.6(四分位距,49.0–90.3);肝脏的中位CNR为9.8(四分位距,5.6–15.0),脾脏为44.2(四分位距,37.0–72.3)。DL算法重建图像中肝脏和脾脏的SNR和CNR显著高于常规重建序列(分别为P<0.001)(图2b和3b)。
定性图像质量
主观图像质量比较的详细信息见表2。与传统重建方法获得的图像相比,深度学习重建图像显示出更高的累积图像质量评分(T1加权P<0.002,T2加权P<0.001)和更不明显的噪声(T1加权P<0.005,T2加权P<0.001)(图4)。在深度学习重建图像中,肺、肝和脾的外周血管、肺底亚段支气管以及腹部器官边缘的显示优于传统T1加权图像。在深度学习重建的T2加权图像中,肺底外周血管、亚段支气管、腹部器官边缘以及肝和脾外周血管的显示显著优于传统重建序列获得的图像。T1加权序列上的呼吸运动伪影在深度学习重建图像上比传统重建更为明显(P=0.015)。与常规重建图像相比,T2加权深度学习重建图像中运动伪影表现无统计学显著差异(P=0.664)。
深度学习重建和加速PROPELLER序列的累积图像质量评分高于既往检查的常规重建图像,T1加权图像的中位差值为1.7(P=0.003),T2加权图像为3.7(P<0.001)。
传统重建和深度学习重建的T1加权和T2加权肺底部及腹部器官图像示例见图5和图6。
阅片者间一致性
三名阅片者对个体累积图像质量评分的一致性为中等(单次测量的绝对一致性,ICC 0.71,95%置信区间 0.61 – 0.79)。为提高图像质量评估的可靠性,采用三个个体累积图像质量评分的中位数(3次评分的绝对一致性,ICC 0.88(95%置信区间 0.82 – 0.92))。
扫描时间
与既往使用旧标准PROPELLER方案获得的MRI检查相比,T1加权图像每层中位扫描时间从6.3秒(四分位距,4.2 – 7.0秒)缩短至4.8秒(四分位距,4.4 – 4.9秒),T2加权图像从5.6秒(四分位距,5.4 – 5.9秒)缩短至4.2秒(四分位距,3.9 – 4.8秒)。深度学习(DL)重建在常规图像重建后于后台自动运行,未干扰或增加总体检查采集时间。
讨论
在本研究中,我们表明基于人工智能的去噪图像重建可在缩短儿童人群身体MRI扫描时间的同时提高图像质量。在扫描时间缩短25%的加速PROPELLER方案中,DL重建图像的质量优于常规重建图像。这允许减少配合较差患者的总成像时间或缩短幼儿的镇静时间。
与既往研究[16–18, 21–24]一致,T1加权和T2加权DL重建PROPELLER图像均显示出定量和主观图像质量的改善。信噪比(SNR)和对比噪声比(CNR)更高,图像噪声表现更少。在肺部,外周血管和亚段支气管显示更清晰。腹部实质器官边界更锐利,与周围组织的区分更好。肝脏和脾脏的外周血管显示更清晰。T2加权DL重建图像的总体主观图像质量高于T1加权DL重建图像,且常规与DL重建T1加权图像之间主观图像质量的差异小于T2加权图像,这可能是因为T2加权图像使用了呼吸门控而T1加权图像未使用。在评分的图像质量项目中,除呼吸运动伪影外,所有项目均随DL重建而改善。为尽量减少呼吸运动伪影,我们对T2加权采集使用了呼吸门控,而T1加权自旋回波或PROPELLER采集因重复时间(TR)约为500 ms,不适合呼吸间期而无法使用呼吸门控。在常规重建下,呼吸门控T2加权图像显示的呼吸运动伪影少于非门控T1加权图像。
在呼吸门控T2加权图像上,传统重建与深度学习(DL)重建之间的呼吸运动伪影无显著差异。然而,在T1加权图像上,DL重建的呼吸运动伪影较传统图像重建更为明显,但仍无不良影响。众所周知,从笛卡尔快速自旋回波采集可知,由于算法的去噪性能,DL重建的运动伪影会变得更加明显[12, 15, 17]。此外,T1加权DL重建图像中更明显的呼吸伪影导致空气区域信号强度增大,并导致信噪比(SNR)和对比噪声比(CNR)测量的四分位距增大。降低图像质量的是呼吸伪影本身。因此,需要在序列采集过程中尽量减少运动伪影,因为在PROPELLER重建中难以校正非刚性体位运动。
随着基于人工智能(AI)的图像重建在MRI中的应用日益增多,已有报道指出存在解剖结构或真实病灶被遮蔽以及额外解剖结构被添加等问题[25]。在本研究中,我们在所研究的T1加权和T2加权图像上未观察到任何结构的丢失或添加。相反,小血管显示得更加清晰。
本研究的主要局限性在于符合纳入标准的病例数较少。尽管如此,我们证明了基于DL的图像重建可显著提高图像质量。另一局限性在于检查仅在1.5 T上进行,因此我们的结果不能推广至其他场强。虽然我们的研究人群包括接受定期MRI随访以识别复发和转移的患者,但请注意,我们未分析DL重建MRI序列对器官病灶检测的能力,因为残留肿瘤或其他器官病灶的数量太少,无法进行细致评估。
结论
在采用径向k空间采样的儿童体部MRI中,基于DL的去噪图像重建通过降低噪声、提高对比度以及更清晰地显示器官结构来改善图像质量。图像质量的改善允许缩短扫描时间。基于DL的去噪重建可能使呼吸运动伪影更为明显,因此需要在图像采集时尽量减少。
引用
- Pocepcova V, Zellner M, Callaghan F, et al. Deep learning-based denoising image reconstruction of body magnetic resonance imaging in children. Pediatr Radiol. 2025. PMID: 40186652. doi:10.1007/s00247-025-06230-5
- 全文:PMC12119730(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12119730/
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。