文献速递神经头颈MR

基于深度学习的加速与去噪0.55T MRI增强扫描提高前庭神经鞘瘤显示清晰度

Deep learning-based acceleration and denoising of 0.55T MRI for enhanced conspicuity of vestibular Schwannoma post contrast administration.
PubMed 文献 · Neuroradiology · 2025-09-19

本研究回顾性纳入30例前庭神经鞘瘤患者,在0.55T MRI增强后比较深度学习去噪联合不同信号平均次数(NSA 4/2与NSA 1)重建与无深度学习去噪参考序列的图像质量、肿瘤显示清晰度及采集时间。结果显示DL&1NSA序列图像质量优于参考序列,采集时间由8分59秒降至3分24秒,降幅超过一半,且肿瘤大小测量无显著差异。

要点

  • 0.55T增强MRI联合深度学习去噪可在1次信号平均下将轴位与冠状位增强序列总采集时间由8分59秒缩短至3分24秒。
  • DL&1NSA轴位序列图像质量中位4分,高于无深度学习去噪参考序列的3.5分(p<0.01)。
  • 冠状位SPAIR序列1次信号平均时肿瘤显示清晰度与参考序列无显著差异(p=0.64)。

核心结论

  • 深度学习去噪技术可使0.55T MRI增强序列检查时间缩短一半以上,同时提高图像质量,肿瘤大小测量与参考序列等效。

研究设计与样本

  • 单中心回顾性探索性研究,纳入30例前庭神经鞘瘤患者(女9例、男21例,平均年龄47±16岁,左侧14例),使用0.55T MRI(MAGNETOM Free.Max,西门子)12通道头颈相控阵线圈,增强后采集T1w fs轴位(NSA 4)与T1w SPAIR冠状位(NSA 2)参考序列,并以深度学习去噪重建DL&4NSA/2NSA及DL&1NSA序列,由两名头颈影像放射科医生采用5分Likert量表独立盲法评分并测量大小。

关键影像表现/征象

  • 所有重建序列(无论是否去噪、不同NSA)在轴位与冠状位均清晰显示右侧或左侧内听道/内耳强化病灶。
  • 轴位序列整体图像质量中位分:DL&4NSA为5分(IQR 5-5),DL&1NSA为4分(IQR 4-4),无深度学习去噪参考序列为3分(IQR 3-4)。
  • 冠状位序列整体图像质量中位分:DL&2NSA为5分(IQR 5-5),DL&1NSA为4分(IQR 4-4),参考T1w SPAIR为3分(IQR 3-4)。
  • 轴位肿瘤显示清晰度中位分:DL&4NSA为5分(IQR 5-5),DL&1NSA为4分(IQR 4-4),参考序列为4分(IQR 3-4)。
  • 冠状位肿瘤显示清晰度中位分:DL&2NSA为5分(IQR 5-5),DL&1NSA为4分(IQR 4-4),参考序列为4分(IQR 4-4)。

诊断标准与关键数值

  • 整体图像质量5分Likert量表:1分=非常低,2分=低,3分=中等,4分=好,5分=非常好。
  • 图像伪影4分Likert量表:1分=严重伪影致图像质量不足临床使用,2分=部分伪影降低目标结构图像质量,3分=轻微伪影不降低图像质量,4分=最佳图像质量无伪影。
  • 肿瘤显示清晰度5分Likert量表:1分=不足,2分=欠佳但部分可诊断,3分=足够但部分模糊,4分=好,5分=最佳。
  • 肿瘤可检测性判断标准:病灶在IAC或内耳前庭神经邻近区域呈高信号即判为「是」。
  • 加权Cohen κ值判读标准:≥0.41为中等一致,≥0.61为高度一致,≥0.81为几乎完全一致。

临床应用与阅片要点

  • 在0.55T MRI增强后轴位T1w fs与冠状位T1w SPAIR序列中,采用1次信号平均联合深度学习去噪可将总采集时间由8分59秒降至3分24秒,图像质量仍高于或等同于参考序列。
  • 轴位DL&1NSA序列肿瘤显示清晰度中位4分,显著高于参考序列(p<0.001),可用于常规阅片。
  • 冠状位DL&1NSA序列肿瘤显示清晰度与参考序列无显著差异(p=0.64),图像质量等效(中位4分 vs 4分)。
  • 当可接受较长采集时间时,轴位DL&4NSA与冠状位DL&2NSA序列提供最高的肿瘤显示清晰度与整体图像质量(中位5分)。
  • 各序列肿瘤大小测量无统计学显著差异(p>0.05),减少NSA未影响测量准确性。

局限性

  • 患者集合相对较小。
  • 未评估前庭神经鞘瘤检测的诊断性能,因其超出本研究范围。
  • 尽管由头颈影像经验丰富的放射科医生评分,半定量评分的性质易受阅片者间变异影响,且深度学习去噪算法旨在提供低噪声图像印象,可能使主观半定量评分产生偏倚。
  • 大小测量无法对照外部参考标准(如手术或组织病理学数据)验证。
  • 因患者集合中前庭神经鞘瘤阳性率较低,仅能采用回顾性研究设计,存在潜在选择偏倚的固有局限。
全文中译13 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:Neuroradiology. 2025 Sep 19;67(12):3565–74. doi: 10.1007/s00234-025-03758-z

引言

耳鸣、眩晕和听力下降的患者具有前庭神经鞘瘤(VS)的典型症状[1]。然而,这些临床症状缺乏特异性,甚至基于深度学习的临床和听力学数据评估也无法显著提高诊断准确性;因此,仍需进一步进行MRI检查[2, 3]。因此,具有几乎100%敏感性和特异性的增强MRI对于检测VS仍然至关重要[3]。

尽管近几十年来技术取得了显著进步,但全球范围内MRI检查的可及性仍然分布不均。解决这一差距的一个潜在方案是现代0.55 T MRI,其成本和运行要求更低[4–6]。此外,与高场强相比,低场强MRI具有减少磁敏感伪影的固有优势[4, 7]。因此,0.55 T MRI特别有希望用于小脑脑桥角(CPA)成像,因为乳突气房和岩骨中相邻的含气腔隙在高磁场强度下可能加重磁敏感伪影[8]。然而,这一物理优势被0.55 T MRI中通常较低的信噪比(SNR)所抵消,后者可能影响图像质量[9]。一项先前的研究表明,虽然0.55 T的CPA成像在诊断上可用,但其图像质量低于标准1.5 T MRI[8]。

人工智能(AI)的最新进展,特别是深度学习(DL)方面的进展,催生了新的基于DL的重建方法,可提供去噪的图像数据[10–13]。这些方法通过使用神经网络对k空间数据进行插值,具有提高图像质量的潜力,从而可改善图像质量、缩短采集时间或两者兼有。有关算法设计的技术细节可参见文献[12, 14]。这种方法对0.55 T MRI特别有价值,因为它补偿了较低的MRI信号,否则将需要增加信号平均次数(NSA)以提高质量。尽管初步研究已证明基于DL的去噪方法具有巨大潜力,但0.55 T下VS患者的临床数据仍然匮乏。

本回顾性研究旨在比较基于DL的去噪重建(分别采用高平均次数和最小平均次数)与无DL去噪的常规重建方法之间前庭神经鞘瘤(VS)的可见度和大小。

材料与方法

伦理批准

本回顾性研究经当地伦理委员会批准,符合《赫尔辛基宣言》(德国埃尔朗根-纽伦堡大学医学院伦理委员会,埃尔朗根,德国;编号24_79_BR)。

研究设计

2023年9月20日至2024年10月22日期间,在一家单一学术医疗中心开展了一项研究者发起的探索性试验。我们纳入了30例计划接受0.55 T MRI增强检查的前庭神经鞘瘤患者。未重复任何检查,每位患者均同意接受MRI检查。图1展示了研究流程图。

图1 研究流程图,展示小脑脑桥角参考采集及后续研究序列。缩写:NSA – 信号平均次数;SPAIR - 频谱衰减反转恢复;VS – 前庭神经鞘瘤 查看原图 ↗

成像技术

MRI检查在0.55 T MRI扫描仪(MAGNETOM Free.Max,Siemens Healthcare GmbH,埃尔朗根,德国)上进行,使用12通道头/颈相控阵接收线圈。小脑脑桥角(CPA)的参考横断面图像采用T1加权序列结合频谱脂肪饱和(T1w fs)采集,未使用先进的深度学习加速。轴位序列的采集参数包括:TR/TE为416/16毫秒(ms),平面内分辨率为0.4 x 0.4 mm²,层厚2.5 mm,激励次数/平均次数(NSA)为4,矩阵为256 x 256(采集时间:4:52分钟)。冠状面图像采用T1加权参考序列结合频谱衰减反转恢复(SPAIR)脂肪饱和(TR/TE 512/17 ms)获得,平面内分辨率为0.5 x 0.5 mm²,层厚2.5 mm,平均次数(NSA)为2,矩阵为224 x 163(采集时间:4:07分钟)。所有患者均采用头先仰卧位,双臂置于身体两侧。

参考序列的后处理使用先进的深度学习(DL)去噪技术(Deep resolve boost,Siemens Healthineers,埃尔朗根,德国)进行。T1w fs轴位研究序列使用DL去噪技术重建,NSA与参考标准相比不变(= 4 NSA),并以最大可能将NSA降至1。T1w SPAIR冠状面研究序列使用DL去噪技术重建,NSA维持参考标准(= 2 NSA),并以最大可能将NSA降至1。在1 NSA并应用DL去噪的情况下,T1w fs轴位的有效采集时间缩短至1:18分钟,T1w SPAIR冠状面的有效采集时间缩短至2:06分钟。

使用了厂商提供的市售且经监管批准的基于深度学习的重建技术。该模型在1.5T和3T采集的数据上进行训练,并在发布过程中针对0.55T进行了验证。该算法作为从原始数据到图像的重建技术运行,基于约25,000幅在1.5T和3.0T采集的全采样图像。DL去噪技术基于包含多种图像对比度、方向、空间分辨率和解剖区域的训练数据。厂商描述了监督训练过程中对成像数据的回顾性降采样。训练由1.5 T和3 T下成对的欠采样k空间原始数据和全采样参考图像组成[12, 14]。此外,Schlicht等和Schmidt等描述了该DL去噪技术在0.55T下用于膝关节和脊柱的可行性[15, 16]。在本研究中,我们未对模型进行微调,而是遵循厂商推荐的“按原样使用”校准。

影像学评估

在诊断显示器(EIZO RX660,日本白山)上审阅了去标识化MRI DICOM图像。去标识化图像由两名放射科医师以随机顺序独立分析(阅片者一M.K.,具有10年横断面成像经验;阅片者二M.H.,具有4年横断面成像经验)。两次阅片之间保持4周间隔,以避免回忆偏倚。在评估图像质量和尺寸测量时,两名阅片者均对患者病史和重建参数设盲。两名阅片者使用以下五分Likert量表分类(第2类和第4类除外)评估每个MRI序列的图像质量:整体图像质量(1=非常低,2=低,3=中等,4=好,5=非常好)。

相关颞部区域[内耳和内听道(IAC)]的图像伪影:1=严重伪影,图像质量不足以用于临床;2=部分伪影,降低了目标结构的图像质量;3=轻微伪影,图像质量未降低;4=最佳图像质量,无伪影。

前庭神经鞘瘤(VS)的可见度(1:不足;2:欠佳,但部分可诊断;3:足够,但部分模糊;4:好;5:最佳)。

判断VS是否可检出(是/否)。判定标准为假定VS的信号强度与相邻神经组织和骨组织以及相邻脑脊液填充间隙的比较。如果病变在内听道(IAC)内或内耳中前庭神经附近显示高信号,则判定为“是”。

尺寸测量

对每个研究序列与参考序列之间进行二维尺寸测量的并排比较。未进行体积测量,因为基于深度学习的去噪算法不适用于桥小脑角(CPA)的三维、高度T2加权各向同性序列;因此,体积分析超出了本研究范围。

统计分析

对于这项探索性研究,我们未进行正式的事先样本量计算,因为缺乏关于所研究场强和身体区域下所研究重建方法预期效应量的既往数据。本研究结果将为未来验证性研究的效力计算提供信息。此外,其他研究组的结果强调,样本量>10足以用于MRI技术开发研究[17, 18]:

统计分析使用R(版本4.4.2,R Foundation for Statistical Computing,奥地利维也纳)进行。

报告校正p值,p值<0.05被认为具有统计学显著性。使用相依样本Wilcoxon符号秩检验比较各MRI序列之间的主观图像质量。正态分布数据以均值±标准差表示,而LS评分不符合正态分布,以中位数和四分位距(IQR)表示。阅片者间一致性使用加权Cohen's κ系数评估,计算参考序列与每个研究序列之间的差异。根据Landis和Koch[19],κ值≥0.41解释为中等一致,κ值≥0.61为实质性一致,κ值≥0.81为几乎完全一致。

结果

共有30例连续患者纳入统计分析(9例女性,21例男性)。患者平均年龄为47±16岁,14例VS位于左侧。

整体图像质量

与参考序列相比,深度学习增强序列的整体图像质量评分显著更高。具体而言,采用对比剂的参考T1w fs轴位序列(中位数3,IQR 3-4)和参考T1w SPAIR冠状位序列(中位数3,IQR 3-4)分别被轴位DL&4NSA序列(中位数5,IQR 5-5)和冠状位DL&2NSA研究序列(中位数5,IQR 5-5;p < 0.001)所优于。此外,轴位和冠状位DL&1NSA序列(均为中位数4,IQR 4-4)的评分显著高于各自对应的(非加速)参考序列(p < 0.001)。图2展示了Likert量表评分的分布,图3提供了研究期间采集的图像示例。

图2 该条形图展示了研究序列整体图像质量的Likert量表评分(1-5)分布,包括参考序列和采用不同噪声抑制方法(DL)及不同平均次数(NSA)的研究序列。较高的评分(绿色)表示感知质量更好,而较低的评分(黄色)反映图像质量降低。 查看原图 ↗
图3 一名65岁男性患者右侧内耳道前庭神经鞘瘤(VS,6 × 5 × 4 mm)的0.55 T桥小脑角MRI(箭头)。所有重建图像——无论是否使用(DL-)和使用(DL+)基于深度学习的去噪算法,以及采用不同平均次数(NSA)——在横断面(a-c)和冠状面(d-f)方向上均清晰显示右侧对比剂强化病灶。横断面序列的整体图像质量以DL&4NSA评分最高(Likert量表:5),其次为DL&1NSA(Likert量表:4)和DL-4NSA(Likert量表:3)。冠状面图像质量以DL&2NSA评分最高(Likert量表:5),其他重建图像获得相同评分(Likert量表4)。 查看原图 ↗

VS显示清晰度

深度学习增强序列中VS的显示清晰度显著更高。参考T1w fs轴位序列(中位数4,IQR 3-4)和T1w SPAIR冠状位序列(中位数4,IQR 4-4)显著劣于轴位DL&4NSA(中位数5,IQR 5-5)和冠状位DL&2NSA序列(中位数5,IQR 5-5;各自p < 0.01)。轴位参考序列与轴位DL&1NSA序列之间也观察到显著差异(中位数4,IQR 4-4;p < 0.001),而冠状面VS显示清晰度在参考T1w SPAIR序列与冠状位DL&1NSA序列之间无显著差异(中位数4;IQR 4-4;p = 0.64)。图4和图5分别展示了Likert量表评分并展示了小VS(最大直径1 mm)的清晰显示。

表1和表2显示了详细的kappa值和图像质量结果。

图4 两名读者关于前庭神经鞘瘤显示清晰度的Likert量表评分条形图,涵盖不使用(w/o DL)和使用(DL)基于深度学习去噪算法的研究序列,以及不同平均次数(NSA)。该图展示了使用去噪算法的序列中前庭神经鞘瘤显示清晰度更高,且在该亚组内,平均次数更高的序列显示清晰度更高。 查看原图 ↗
图5 55岁女性患者,左侧前庭神经鞘瘤(VS)(最大直径1mm)(箭头),0.55 T MRI。所有未使用(w/o DL)和使用(DL)基于深度学习的去噪算法以及不同平均次数(NSA)的重建图像,在横断面(a-c)和冠状面(d-f)方向上均清晰显示左侧强化病灶。横断面序列中VS的可见性评分以DL&4NSA最高(Likert量表:5),其次为DL&1NSA(Likert量表:4)和未使用DL(Likert量表:4)。冠状面图像质量评分以DL&2NSA最高(Likert量表:5),其他重建图像评分相同(Likert量表4)。 查看原图 ↗
表1 Kohen kappa计算示例,用于说明两位专家读者在整体图像质量、图像伪影和前庭神经鞘瘤可见性方面的一致性。在适用情况下,我们提供了每个kappa值的95%置信区间(CI)及其下限和上限。 查看原表 ↗
表2 各序列图像质量(IQ)结果示例。我们提供了中位数及四分位距(IQR)。p值用于参考常规序列与各研究序列之间的比较。T1w SPAIR冠状面参考序列与1 NSA(信号平均次数)的T1w SPAIR研究序列之间的差异无统计学意义(NS)。所有其他研究序列与参考序列的比较在整体图像质量和前庭神经鞘瘤(VS)可见性方面均显示显著差异(p < 0.001)。 查看原表 ↗

整体图像伪影

DL增强序列的整体图像伪影显著较低,特别是DL&4NSA(中位数4,IQR 4–4)和DL&1NSA(中位数4,IQR 4–4;p < 0.01)。在冠状面序列中(中位数4,IQR 4–4),DL&2NSA(p < 0.01)和DL&1NSA(p = 0.03)序列的伪影也较少见。图6展示了整体伪影Likert量表评分的分布。

图6 两位读者对参考序列和研究序列在未使用(w/o DL)和使用(DL)基于深度学习的去噪算法以及不同平均次数(NSA)条件下整体图像伪影的Likert量表评分柱状图。该图展示了使用去噪算法序列中伪影较少(Likert评分较高),且在该亚组内,平均次数较高的序列伪影更少。Likert量表 1 = 严重伪影,不足以用于临床,2 = 部分伪影,降低了目标结构的图像质量,3 = 轻微伪影,未降低图像质量,4 = 最佳图像质量,无伪影。 查看原图 ↗

尺寸测量

每位读者所有90次测量中,不同序列之间的平均尺寸测量值未发现统计学显著差异(p>0.05)。详见表3。通过加权Cohen's κ评估的读者间一致性,横断面序列(分别为未使用DL、DL&4NSA和DL&1NSA)为0.59、0.74和0.78,冠状面序列(分别为未使用DL、DL&2NSA和DL&1NSA)为0.60、0.79和0.71。研究序列或参考序列中均未发生关于VS存在与否的错误分类。

表3 各序列平均尺寸测量值及标准差示例。同时给出各序列尺寸测量对应的kappa值。 查看原表 ↗

讨论

本研究评估了基于深度学习(DL)的去噪算法在0.55T下提高前庭神经鞘瘤(VS)显着性和高扫描速度的能力。通过将基于DL的去噪技术与经济高效的0.55T MRI系统相结合,我们证明,与参考标准相比,通过减少NSA,对比增强研究序列的采集时间可缩短62%。在轴位平面上,DL&1NSA序列相对于参考序列提供了更好的图像质量(中位数4 [4] vs 4 [3–4]),而在冠状位平面上,SPAIR DL&1NSA序列达到了与参考相当的图像质量(中位数4 [4–4] vs. 4 [4–4])。当可接受较长采集时间时,轴位/冠状位DL&4NSA/2NSA序列为VS提供最大显着性和整体图像质量。此外,前庭神经鞘瘤的定量尺寸测量在参考序列和DL增强序列之间相当,证实了在我们的研究中减少NSA不会损害测量准确性。

基于深度学习的去噪算法,特别是卷积神经网络(CNN)、自编码器和生成对抗网络(GAN),通过有效去除噪声同时保留关键解剖细节,显著提高MRI图像质量。本研究中使用的算法采用原始数据到图像的深度学习重建技术来降低测量数据中的噪声。

这在脑部和头颈部成像中尤为重要,因为精细的结构完整性对于准确诊断至关重要[11, 13]。基于DL的去噪所带来的采集时间缩短可能成为克服MRI可及性分布不均的关键工具。随着扫描时间的缩短,不仅可以在同一时间范围内进行更多检查,而且患者舒适度的提高还可能减少运动伪影,并使检查病情严重的患者成为可行。降噪在低场MRI中尤其有前景,尽管其固有SNR较低且检查时间较长,但低场MRI具有成本较低和基础设施要求较低等优势。然而,迄今为止,大多数基于DL的去噪临床经验都是在1.5和3.0 T常规场强下的肌肉骨骼和脑部成像中报道的[12, 20]。Herrmann等人报道了使用基于DL的技术在肌肉骨骼和体部成像中图像质量和扫描时间的显著改善(7-8)。此外,超快速MRI方案——例如使用深度学习加速的51秒EPI-FLAIR序列——已提供足够的图像质量来检测>3mm的炎性脑病变[21]。据我们所知,本研究是首个系统评估基于DL的去噪在低场MRI头颈部成像中所提供图像质量改善的研究。

本研究存在若干局限性。第一,可用的患者集合相当小。第二,我们未评估其在检测VS中的诊断性能,因为这超出了本研究范围。第三,尽管由专注于头颈部影像学的经验丰富的放射科医师进行图像质量评估,但评分的半定量性质容易受到阅片者间变异性的影响。尽管对六个图像组中的每一组均进行了盲法阅片,但DL去噪算法旨在提供低噪声的图像印象。我们意识到这也可能使主观半定量评分产生偏倚。第四,大小测量无法对照外部参考标准(例如手术或组织病理学数据)进行验证。第五,我们只能采用回顾性研究设计,因为患者集合中VS的阳性率相当小。因此,我们意识到关于潜在选择偏倚的固有局限性。在前瞻性研究环境中,将纳入过多不符合本研究范围的的患者。第六,需要采用多中心、前瞻性研究方法的更大队列,以在不同影像站点使用基于AI的MRI协议在广泛临床基础上验证我们的结果。第七,我们未分析使用基于深度学习的去噪算法从4 NSA到1 NSA的所有递增步骤,因为我们遵循的方法是将NSA降至最低,并通过应用当前的DL去噪算法来补偿增加的图像噪声。最后,我们意识到VS的患者检查需要高度T2w加权的3D序列,在本研究进行时,当前的0.55T扫描仪尚不具备DL加速功能,且不在本研究范围内。由于更高的计算和内存需求,基于深度学习的3D MRI序列加速比2D成像更具挑战性。此外,减少图像总体积的插值技术可能导致信息丢失,并且还应考虑因欠采样伪影导致的磁敏感性问题增加[22, 23]。

基于深度学习的先进去噪算法在0.55 T下对细微变化和低信噪比的检查中尤其有前景。本研究强调了基于深度学习的去噪在前庭神经鞘瘤MRI评估中的巨大潜力,展示了其缩短检查时间、提高图像质量或两者兼有的能力。

引用

  1. Hinsen M, Nagel A, Heiss R, et al. Deep learning-based acceleration and denoising of 0.55T MRI for enhanced conspicuity of vestibular Schwannoma post contrast administration. Neuroradiology. 2025. PMID: 40970959. doi:10.1007/s00234-025-03758-z
  2. 全文:PMC12847088(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12847088/

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。