文献速递骨肌神经MR

深度学习化学位移校正改善腰椎ZTE MRI骨显示

Deep learning-based chemical shift-artifact correction of ZTE MRI for enhanced bone depiction of the lumbar spine.
PubMed 文献 · Skeletal Radiol · 2026-07-06

本研究为单中心回顾性研究,纳入38例接受3T腰椎ZTE MRI的患者,比较非DL、标准DL及DLCSC三种重建方法。结果显示DLCSC在定量锐利度、SNR、CNR及定性骨显示质量均显著优于非DL和标准DL,且不影响病变分类。

要点

  • DLCSC重建可去除腰椎ZTE MRI的化学位移伪影并提高骨皮质锐利度,优于标准DL重建。
  • DLCSC与标准DL的SNR和CNR无显著差异,提示DLCSC的增量价值来自伪影校正而非降噪。
  • 两位阅片者对骨显示质量和病变显著性的评分一致性为substantial至almost perfect(κ=0.783–0.901)。

核心结论

  • DLCSC重建可显著改善腰椎ZTE MRI的骨显示,优于标准DL及非DL重建,主要表现为化学位移伪影减少和骨轮廓锐利度提升。
  • DLCSC在骨病变显著性和诊断信心方面优于标准DL和非DL,但不改变病变类型的分类。

研究设计与样本

  • 回顾性单中心研究,纳入38例接受3T腰椎ZTE MRI的患者,按有无骨病变分为两个亚组进行定量(n=16)和定性(n=22或n=38)分析。
  • ZTE扫描参数:TR=444ms,翻转角=1°,层厚=1.3mm,矩阵=512×512,扫描时间2分33秒,3T SIGNA Premier设备。
  • 三种重建方式为非DL常规重建、标准DL去噪锐化重建及DLCSC原型算法重建,图像灰度反转以CT样显示,所有数据集随机化处理。
  • DLCSC网络采用监督学习训练,输入低带宽ZTE图像(含化学位移伪影和噪声),目标为同一受试者双倍带宽高质量图像。
  • 定性评分由两名放射科医师独立完成,采用4分制评估骨显示质量(n=38)及病变相关标准(n=22),一致性采用加权Cohen's kappa。

关键影像表现/征象

  • 非DL图像显示明显噪声和化学位移伪影,表现为骨-软组织界面模糊及骨轮廓破坏,标准DL可去噪但仍有残留化学位移伪影。
  • DLCSC图像进一步去除了骨皮质边缘的化学位移伪影,使椎弓峡部裂、神经孔骨赘和终板骨折的骨轮廓显示更加清晰锐利。
  • 在腰椎L3峡部裂病例中,DLCSC显示峡部缺损的显著性最高,标准DL虽有锐化但骨边缘仍受化学位移伪影干扰。
  • 在L4/5神经孔骨赘病例中,DLCSC降低了骨赘边缘伪影,使骨赘突入神经孔的范围显示更明确。

诊断标准与关键数值

  • DLCSC图像边缘锐利度(0.388±0.193)显著高于非DL(0.269±0.086,p=0.010,95%CI [0.046, 0.192])和标准DL(0.247±0.106,p=0.001,95%CI [-0.205, -0.077])。
  • DL和DLCSC的SNR(DL 28.609±8.129,DLCSC 27.888±6.700)均显著高于非DL(16.070±1.715,p<0.001),但DL与DLCSC间无显著差异(p=1.000)。
  • 松质骨CNR:DLCSC最高(2.994±1.890),显著高于非DL(1.023±0.524,p<0.001,95%CI [1.19, 2.751]);DL(2.277±1.652)也显著高于非DL(p=0.006)。
  • 皮质骨CNR(相对于椎间盘或椎旁肌)在三种重建间无显著差异(p=0.3784和p=0.3522)。
  • 全部定性骨显示质量评分(诊断质量、皮质骨勾画、松质骨勾画、噪声、伪影)从非DL到DL到DLCSC均有显著改善(p<0.001)。

临床应用与阅片要点

  • 腰椎ZTE MRI作为常规脊柱MR方案的补充,可在不增加辐射的前提下提供CT样骨结构显示,辅助术前规划。
  • DLCSC重建特别适合腰椎等软组织体积大、化学位移伪影明显的解剖区域,可直接报告骨皮质边缘的锐利度和伪影减少。
  • 阅片时需注意DLCSC可能使骨边缘过度锐化,病变分类仍依赖常规序列综合判断,不应单独依据ZTE图像改变病变类型诊断。

局限性

  • 本研究为回顾性单中心设计,样本量仅38例,结果需更大样本和外部验证。
  • DLCSC为厂商原型算法,其训练细节和泛化性未完全公开,临床推广前需进一步验证。
  • 定量分析仅纳入无骨病变的16例患者,存在选择偏倚,无法反映病理状态下定量指标变化。
  • 化学位移校正效果在更高场强或不同解剖部位的适用性未在本研究中评估。
全文中译16 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:Skeletal Radiol. 2026 Jul 6;55(10):2637–47. doi: 10.1007/s00256-026-05290-4

引言

零回波时间(ZTE)是一种先进的磁共振成像(MRI)技术,能够采集超短T2组织(如骨、牙齿、肺)的信号,可提供类似CT的矿化组织图像[1, 2]。ZTE可以无缝附加到标准MRI方案中,以提高软组织和骨骼评估时的诊断信心[3]。这在脊柱成像中尤为理想,因为脊柱成像常需额外进行CT检查(如术前规划)[4]。凭借其固有的三维成像能力,ZTE已展现出作为术前规划和术中导航的无辐射替代方案的潜力[5]。基于深度学习(DL)的重建通过去噪和边缘锐化减轻了信噪比(SNR)限制,进一步改善了ZTE成像的骨骼显示效果。在肩关节、膝关节和颈椎等多个身体部位已取得令人鼓舞的结果[6–8]。然而,在躯干部位,脊柱ZTE成像仍具有挑战性,因为额外的化学位移伪影会导致组织界面处模糊或相消干涉,从而使骨轮廓显示退化[9, 10]。此类伪影源于ZTE序列的径向k空间填充,由于脊柱周围软组织体积较大,伪影在脊柱部位更为明显,尤其是在较高场强(如3特斯拉(T))下[11]。现有的减少这些伪影的常规策略需要付出不利/不理想的代价,例如在高带宽扫描时信噪比效率较差[12]。由于这些局限性,既往研究大多采用其他MR技术来获得腰椎的类CT图像,主要是扰相梯度回波(SPGR)序列[13, 14]。然而,相对于ZTE,梯度回波序列对骨邻近软组织的抑制效果较差,可能影响皮质骨细节的显示[15, 16]。最近,一种利用深度学习方法减轻ZTE MRI中化学位移伪影影响的新方法被提出。将基于DL的去噪和边缘锐化与化学位移伪影校正(DLCSC)相结合,可能使ZTE在临床合理的扫描时间内成为脊柱详细骨性评估的最佳技术[17, 18]。本研究旨在评估在3 T腰椎ZTE MRI中,与常规(非DL)重建相比,DLCSC对骨显示的影响,并评估其相对于不含化学位移校正的DL重建的附加价值。

材料与方法

研究设计

在2024年12月至2025年8月期间,对因临床指征转诊行3 T腰椎MRI检查的患者进行纳入筛选。排除标准为:(1)任何不完整的ZTE序列数据集妨碍DL重建;(2)患者年龄<18岁。本项目已获得当地伦理委员会批准,并遵循STROBE观察性研究清单中描述的方法学(补充表1)。详细纳入流程图见图1。

图1 患者纳入流程图。DL,深度学习;CSC,化学位移伪影校正 查看原图 ↗

图像采集

所有扫描均在3 T MRI系统(SIGNA™ Premier,GE HealthCare,沃基肖,威斯康星州,美国)上完成,使用60通道后部阵列线圈。作为该机构标准MR方案的一部分,在矢状面获取了各向同性ZTE脉冲序列。所选采集参数代表临床方案,在扫描时间和诊断收益之间取得平衡:回波时间 ≅ 0;重复时间 = 444,翻转角 = 1°;像素带宽 = 244 Hz;接收带宽 = 62.5 kHz;每段辐条数 = 384;激励次数 = 8;视野 = 26 cm;层厚 = 1.3 mm;采集矩阵 = 512 × 512;扫描时间 = 2分33秒。

图像重建

从MR扫描仪中提取ZTE采集的原始k空间数据并作匿名化处理。离线重建三组图像供分析使用,图像灰度反转以获得类CT的可视化效果。第一组使用常规重建流程生成,称为“非DL”。第二组使用先前描述的深度学习模型进行ZTE数据降噪和锐化处理,称为“DL”[6, 7]。第三组使用带有特定化学位移校正的增强深度学习模型处理,称为“DLCSC”。所有数据集均经过完全随机化,用于定量和定性分析。

两种DL算法均由厂商以原型形式提供。这些模型是AIR™ Recon DL方法[19]的扩展,专门适配ZTE采集,并在DLCSC情况下执行额外的化学位移校正。该网络以监督方式使用成对图像进行训练。具有化学位移伪影和噪声的低带宽ZTE图像作为输入。来自同一受试者的高质量、双倍带宽图像用作金标准或目标。为确保模型对解剖结构、场强和噪声水平变化的稳健性,训练期间进行了广泛的数据增强,包括图像旋转、翻转以及图像强度和相位的操作。为进一步提高稳健性,还添加了额外的图像噪声。训练后的网络旨在去除化学位移伪影和噪声,同时恢复精细的解剖细节。DLCSC模型处理来自非DL流程的原始k空间数据以生成最终的ZTE图像。

定量图像分析

重建方法之间的定量比较仅在无骨异常的亚组中进行(n = 16)。有病变的亚组不用于定量分析,以避免对测量产生任何潜在干扰。

边缘锐利度

皮质骨的边缘锐度(Š)根据既往描述的方法进行定量评估[20]。测量由一名接受过专科培训、具有6年经验的肌骨放射科医生完成。在正中矢状面上,于L2、L3和L4下终板后三分之一处垂直于终板绘制采样线(图2A、B)。将相同的线叠加在相应正中层面的non-DL、DL和DLCSC序列图像上。从采样线获得的信号强度(SI)数据被提取到数据表中并绘制成曲线。对于每条所得的SI曲线,设ΔSI为曲线最陡段的SI区间,Δx为相应距离,S̅I̅为相应平均SI,Š按公式1计算。L2、L3和L4的结果值随后取平均,得到序列特异性值。

图2 A–C 定量分析示例图像。边缘锐度测量(A中黄线)及穿过L3椎体下终板绘制的线剖面图(B),以及用于SNR和CNR计算的感兴趣区测量(C) 查看原图 ↗

SNR和CNR

表观(a)SNR和对比噪声比(aCNR)的分析由一名具有3年经验的放射科住院医师在一位具有7年经验的持证放射科医师监督下完成。在单幅正中矢状面上,手动将感兴趣区(ROI)放置于以下位置:分别在L3和L4椎体中心及棘突中心用于松质骨测量(10 mm²);在L3/4椎间盘中心及L3/L4椎间水平的椎管内(5 mm²)(图2C)。在旁矢状面上,将ROI放置于L4/5水平的关节突间部皮质骨及邻近椎旁肌内(5 mm²)。计算每个ROI的SI平均值和标准差(SD)。所有松质骨测量值的平均值作为骨信号值,用于从解剖结构内不同位置获得噪声估计。关节突间部用于计算皮质骨aCNR,因为该部位皮质骨足够厚,允许放置具有代表性的ROI。aSNR和aCNR根据既往发表的公式计算[7, 8],其中松质骨aCNR计算使用椎管,皮质骨aCNR计算使用椎间盘或椎旁肌:

定性图像分析

定性图像分析分别由一名具有7年肌骨MRI经验的持证放射科医师和一名具有4年经验的放射科住院医师完成。所有匿名化的ZTE图像集在PACS上使用诊断级显示器以随机顺序独立评估。评估者对重建方法及任何临床信息均不知情。在独立评分之前,两位阅片者参加了一次由一名具有15年以上经验的高年资肌骨放射科医师主持的培训会,以就评分标准达成共识。单独的培训集包含5例未纳入研究分析的病例。

对骨骼显示质量的主观评价通过以下参数进行分级:(1)皮质骨和骨小梁的显示清晰度,(2)噪声,(3)伪影,(4)诊断图像质量。补充图1提供了骨骼显示评分的示例性概览。对于有骨质病理的亚组(n = 22),额外评分以下参数:(1)病理类型,(2)病理的显著性,(3)诊断信心,(4)评估者对化学位移伪影影响病理显示的主观判断。分级标准见表1。

表1 用于评估骨骼显示和病变的4分制评分系统概览 查看原表 ↗

统计分析

使用Shapiro-Wilk检验应用于每种重建条件配对的受试者内差异来评估数据的正态性(见补充表2)。据此,报告每种条件的描述性统计量(均值、标准差、中位数、四分位数和范围)。定量图像分析指标,包括边缘锐度、SNR和CNR,使用重复测量方差分析(ANOVA)比较三种重建方法之间的差异。随后进行Bonferroni校正的事后两两比较以确定具体差异。定性分析使用Friedman检验及事后Bonferroni校正。Bonferroni校正在每个指标的三组重建两两比较内应用。每位患者每种重建条件恰好贡献一个汇总值。评估者间信度使用二次加权Cohen's kappa(κ)评估。一致程度判定为差(κ < 0)、轻微(κ = 0.00–0.20)、一般(κ = 0.21–0.40)、中等(κ = 0.41–0.60)、高度(κ = 0.61–0.80)或近乎完美(κ = 0.81–1.00)。所有统计分析使用Python 3.12实现。p值低于0.05视为具有统计学显著性。

结果

最终分析共纳入38例患者的38次检查。患者进行MRI检查的临床病史如下(n):神经根病(n = 17)、创伤(n = 12)、非特异性下腰痛(n = 8)和炎性疾病(n = 1)。受试者特征汇总见表2。纳入的检查被分为有和无骨质病理两个亚组,由一位具有超过15年经验的资深肌骨放射科医师以超然专家身份进行分类。

表2 患者人口学资料和亚组 查看原表 ↗

定量图像分析

边缘锐度

图像锐度的定量分析显示重建技术对图像锐度有统计学显著的主效应(F(2, 30) = 15.619, p < 0.001;经非参数敏感性分析确认:Friedman Q = 15.129, p < 0.001)。DLCSC重建(平均锐度 = 0.388 ± 0.193)显著优于非DL重建(均值 = 0.269 ± 0.086;p = 0.010,均值差 = 0.119,95% CI [0.046, 0.192],T = 3.472,Hedges g = 0.775)和DL重建(均值 = 0.247 ± 0.106;p = 0.001,均值差 = −0.141,95% CI [−0.205, −0.077],T = −4.722,Hedges g = −0.885)。没有证据表明非DL和DL重建之间的锐度存在差异(p = 0.252,均值差 = −0.023,95% CI [−0.048, 0.003],T = −1.850,Hedges g = −0.226)。详见补充表3和4。

信噪比与对比噪声比

骨小梁的SNR和CNR计算显示三种重建技术之间存在显著的主效应(SNR:F(2, 30) = 30.248,p < 0.001,经非参数敏感性分析证实:Friedman Q = 24.500,p < 0.001;CNR:F(2, 30) = 15.501,p < 0.001,经非参数敏感性分析证实:Friedman Q = 20.375,p < 0.001)。与非DL技术相比,DLCSC和DL技术的平均SNR均有显著提高。具体而言,非DL的平均SNR为16.070 ± 1.715,DL为28.609 ± 8.129,DLCSC为27.888 ± 6.700。事后分析证实,与非DL相比,DL(p < 0.001,平均差 = 12.539,95% CI [8.803, 16.275],T = 7.154,Hedges g = 2.081)和DLCSC(p < 0.001,平均差 = 11.818,95% CI [8.566, 15.071],T = 7.745,Hedges g = 2.356)的SNR均显著更高。DL与DLCSC之间的SNR差异未观察到证据(p = 1.000,平均差 = 0.721,95% CI [−3.767, 5.208],T = 0.342,Hedges g = 0.094)。关于骨小梁CNR,DLCSC的平均值最高(2.994 ± 1.890),其次是DL(2.277 ± 1.652)和非DL(1.023 ± 0.524)。事后分析显示,与非DL相比,DL(p = 0.006,平均差 = 1.253,95% CI [0.532, 1.975],T = 3.703,Hedges g = 0.997)和DLCSC(p < 0.001,平均差 = 1.970,95% CI [1.19, 2.751],T = 5.380,Hedges g = 1.385)的骨小梁CNR均显著更高。DLCSC与DL之间的骨小梁CNR差异无统计学意义(p = 0.213,平均差 = −0.717,95% CI [−1.504, 0.07],T = −1.942,Hedges g = −0.394)。皮质骨相对于椎间盘的CNR(非DL 3.296 ± 1.482,DL 3.863 ± 2.419,DLCSC 3.744 ± 1.480,F(2, 30) = 1.004,p = 0.3784,经非参数敏感性分析证实:Friedman Q = 3.500,p = 0.174)或相对于椎旁肌的CNR(非DL 3.019 ± 1.317,DL 3.595 ± 2.173,DLCSC 3.382 ± 1.378,F(2, 30) = 1.081,p = 0.3522,经非参数敏感性分析证实:Friedman Q = 4.500,p = 0.105)均未发现差异的证据。详情见补充表3。

定性图像分析

定性评估显示,三种重建方式在所有评估的图像质量标准上均存在显著差异,包括诊断图像质量、皮质骨和骨小梁显示、噪声及伪影(见表3和表4)。平均评分(表3)从非DL到DL再到DLCSC逐级提高。具体而言,DLCSC在诊断图像质量(均值 ± SD:非DL 0.961 ± 0.243,DL 1.711 ± 0.413,DLCSC 2.382 ± 0.538)、皮质骨显示(均值 ± SD:非DL 0.947 ± 0.517,DL 1.842 ± 0.421,DLCSC 2.605 ± 0.509)、骨小梁显示(均值 ± SD:非DL 1.079 ± 0.487,DL 1.605 ± 0.522,DLCSC 2.289 ± 0.488)和噪声(均值 ± SD:非DL 1.000 ± 0.558,DL 1.803 ± 0.443,DLCSC 2.579 ± 0.395)方面获得最高评分,同时伪影评分最低(最佳)(均值 ± SD:非DL 2.000 ± 0.797,DL 1.684 ± 0.512,DLCSC 1.276 ± 0.446)。

同样,在病变评估方面,病变显著性(均值 ± 标准差:非DL 1.182 ± 0.501,DL 1.773 ± 0.528,DLCSC 2.477 ± 0.545)、影响骨骼显示的伪影减少(均值 ± 标准差:非DL 2.000 ± 0.797,DL 1.684 ± 0.512,DLCSC 1.276 ± 0.446)以及诊断信心(均值 ± 标准差:非DL 1.136 ± 0.441,DL 2.227 ± 0.685,DLCSC 2.568 ± 0.470)均有统计学显著改善。在病变类型分类方面,各重建方法之间未发现差异的证据。统计检验结果的详细信息见表4。图3、4、5和6展示了骨骼勾勒改善的示例:无病变病例(图3)、峡部裂病例(图4)、神经孔骨刺病例(图5)和骨折病例(图6)。

表3 非深度学习(非DL)、DL及带化学位移伪影校正的DL(DLCSC)方法重建的ZTE图像定性评分的比较。给出了两位阅片者的均值及标准差,以及Cohen's kappa评估的阅片者间一致性 查看原表 ↗
表4 非深度学习(非DL)、DL及带化学位移伪影校正的DL(DLCSC)方法重建的ZTE图像定性评分各比较的检验统计量 查看原表 ↗
图3 一例32岁男性患者,展示矢状位ZTE图像中基于深度学习(DL)的化学位移伪影校正(DLCSC)、无化学位移校正的DL(DL)及非DL重建的骨骼勾勒情况。非DL图像显示明显噪声,DL重建在很大程度上消除了噪声。DLCSC图像进一步去除了化学位移伪影,使骨性轮廓的勾勒更加锐利。未发现骨质异常 查看原图 ↗
图4 一例53岁女性腰椎侧凸患者。矢状位ZTE图像显示L3左侧峡部缺损(峡部裂)(箭头)。ZTE图像(非DL)显示明显噪声和化学位移伪影,骨性结构模糊。基于深度学习(DL)的ZTE重建消除了图像噪声并提高了锐利度,但化学位移伪影仍然存在。带化学位移伪影校正的DL ZTE重建(DLCSC)进一步去除了化学位移伪影,使峡部缺损的显著性更高 查看原图 ↗
图5 一例76岁女性腰椎侧凸患者。矢状位ZTE图像显示一骨刺延伸至L4/5神经孔(箭头)。ZTE图像(非DL)显示明显噪声和化学位移伪影,骨刺显示模糊。基于深度学习(DL)的ZTE重建消除了图像噪声并提高了锐利度,但化学位移伪影仍然存在。带化学位移伪影校正的DL ZTE重建(DLCSC)进一步去除了化学位移伪影,使骨刺的显著性更高 查看原图 ↗
图6 一例71岁女性终板骨折患者。矢状位ZTE图像显示L4椎体上终板高度减低(箭)。ZTE图像(非DL)显示明显噪声和化学位移伪影,皮质边缘模糊。基于深度学习(DL)的ZTE重建消除了图像噪声并提高了清晰度,但皮质骨处仍存在化学位移伪影。带有化学位移伪影校正的DL ZTE重建(DLCSC)进一步消除了皮质骨旁的化学位移伪影,从而提高了终板皮质骨的显著性。 查看原图 ↗

读者间一致性

定性评估的读者间一致性(表3)在所有类别中均为高度一致至几乎完全一致。在病理评估方面,κ值范围从显著性的0.789(高度一致)到诊断信心的0.901(几乎完全一致)。在骨显示方面,一致性范围从伪影的κ = 0.783(高度一致)到诊断质量的κ = 0.901(几乎完全一致)。

讨论

在本研究中,我们评估了一种新型基于DL的重建方法联合化学位移伪影校正(DLCSC)在3 T腰椎ZTE MRI中增强骨可视化的效用。定性和定量结果提示,与不含CSC的DL重建和非DL重建相比,DLCSC显著改善了骨性结构的显示。伴随图像质量的提高,DLCSC还提高了观察者对骨性病变的主观显著性和诊断信心。

腰椎骨性病变的准确显示对于评估多种病理情况具有临床意义,如创伤性损伤或狭窄性退行性疾病[21, 22]。然而,常规MRI在临床实践中往往缺乏所需的骨性细节,导致患者被转诊进行额外的CT检查。将ZTE序列作为常规脊柱扫描方案的补充,可使MRI成为一种更全面的诊断工具[17, 18]。近年来,新兴的用于ZTE图像重建的DL算法通过去噪和锐化缓解了其信噪比限制,进一步优化了该技术的诊断效能[23, 24]。然而,化学位移(CS)伪影仍然难以在不产生不良代价(如图像模糊或额外数据采集)的情况下解决[10, 12]。ZTE数据采集中使用的中心向外放射状辐条导致失谐脂肪成分中的相位累积,表现为组织界面处的高频伪影。这些CS伪影可出现在骨-软组织界面附近,可能影响骨性评估。

在当前工作中,通过线剖面测量并与DL重建相比,DLCSC显示皮质骨边缘锐度显著改善。这表明CS伪影影响骨骼显示并导致模糊,即使在使用“标准”DL重建的去噪和锐化图像中也是如此。aSNR和aCNR的定量分析显示DL与DLCSC之间没有差异证据,进一步佐证了DLCSC在定性骨轮廓显示方面的额外改善可归因于伪影减少。在存在骨病理改变的亚组中,两位阅片者均注意到DLCSC图像中CS伪影对骨骼显示的影响较DL和非DL图像主观减少。有趣的是,高年资阅片者还注意到DL图像中CS伪影的影响较非DL图像减少,而住院医师阅片者未发现显著差异。不含CSC的“标准”DL重建的去噪和锐化特性使骨界面显示更清晰,这也可能在视觉上被解读为CS伪影减少的结果。

新型DLCSC模型是“标准”DL算法的扩展,经过专门训练以去除CS伪影和噪声,同时恢复细节。DLCSC方法的优势在于其对任何解剖部位、场强、欠采样率和噪声水平都具有广泛的泛化能力。据我们所知,这是首个探索基于DL的方法来减轻脊柱CS伪影的临床研究。腰椎是该应用的理想解剖部位,因为其较大的骨表面积加上周围软组织体积易于产生CS伪影。此外,腹部围度可在脊柱前部区域引入大量图像噪声,特别是在肥胖患者中,这是由于与接收线圈距离增加所致。DLCSC方法可同时缓解这两个缺点,去除噪声和CS伪影,且不损失SNR效率。我们的发现与目前唯一已发表的将DLCSC重建应用于ZTE MRI的研究一致,该研究最近报告了颞下颌关节的定量和定性骨评估有所改善[25]。

由于既往的局限性,与其他解剖部位相比,ZTE成像在腰椎中的应用相对不足。相反,腰椎骨MRI应用的研究主要集中在SPGR序列,如检测峡部缺损或术前规划[13, 14]。虽然SPGR通常提供更高的SNR和皮质骨与软组织对比度,但ZTE对运动更稳健,并提供更平坦的软组织对比度[26, 27]。采用DLCSC以获得最佳骨骼显示可使ZTE成为腰椎中一种可行的替代方案。所研究的ZTE序列扫描时间为2分30秒,在脊柱常规MRI方案中实施似乎临床可行。

我们的研究存在若干局限性。首先,回顾性设计以及来自单一中心的相对较小的患者队列可能限制了我们研究结果的普适性,尤其是用于定量分析的样本量较小,这可能限制了方差分析结果的统计稳健性。此外,伴有骨性病变的患者亚组具有异质性,并且某些情况(如骨折)代表性不足。因此,本研究检验效能不足,无法就重建算法对特定类型脊柱病变的诊断性能得出明确结论。第二,定性评估本身具有主观性,并且盲法很可能并未完全有效,因为非DL重建与两种DL重建之间的视觉图像特征具有独特性,观察者可以识别。这一局限性可能给评分者引入期望偏倚。然而,观察者间一致性较高,且DLCSC与DL重建之间的成像特征差异更为细微。此外,定性结果得到了两种测量方法定量分析的支持。第三,我们未将ZTE结果与外部参考标准(如CT)进行比较,以明确评估对特定病变的诊断准确性。未来研究应评估DLCSC重建对ZTE成像诊断性能的影响,并与参考标准CT进行比较。

总之,我们的研究结果表明,DLCSC重建方法可以有效减轻CS伪影和图像噪声,改善腰椎骨质显示。虽然诊断准确性和置信度未与CT参考标准进行比较,但本研究侧重于提升图像质量,以使ZTE具备临床应用价值。

补充信息

以下是电子补充材料的链接。ESM 1补充材料1(DOCX 465 KB)

引用

  1. Obermüller, Bach, Zecca, et al. Deep learning-based chemical shift-artifact correction of ZTE MRI for enhanced bone depiction of the lumbar spine. Skeletal Radiol. 2026. PMID: 42406056. doi:10.1007/s00256-026-05290-4
  2. 全文:PMC13522072(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13522072/

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。