0 前言

       液体翻转恢复序列可以有效抑制自由水的信号，增加病灶的对比度，尤其是T2-FLAIR在脑部MRI的应用最为广泛^{[1, 2]}。相对于常规T2WI，T2-FLAIR序列在脑部肿瘤、脑卒中及脑血管病变的检出都更有临床意义^{[3, 4, 5, 6]}。但为了有效抑制水信号的影响，头颅T2-FLAIR的反转时间都很长，这也使序列本身的成像时间较长，在临床工作中遇到难以配合患者，T2-FLAIR序列较长的成像时间进一步加重了移动伪影的产生，甚至影响到检查的成功率。能够有效提高成像的时间分辨率并有效减少移动伪影的影响，在临床实践中十分重要。

       近年来人工智能在医学影像学领域有了广泛应用，深度学习技术在MRI序列中的应用也成为人工智能领域的重要发展方向^{[7, 8]}，这种联合深度学习算法的MRI技术在中枢、神经等多个部位成像中已经有了一定的应用^[9]。然而，在实际临床情况较为复杂（如无法长时间配合的患者成像等）时的应用价值尚无研究。因此，本研究通过使用深度学习中应用最广泛的卷积神经网络（convolutional neural network, CNN）算法^{[10, 11, 12, 13, 14]}结合单激发（single-shot, SS）快速成像序列^[15]（CNN-SS）技术对临床颅脑MRI检查中无法有效配合的患者进行补充成像，旨在明确CNN-SS技术在无法配合患者的颅脑MRI中的应用价值。

1 材料与方法

1.1 一般资料

       纳入2020年12月至2021年12月复旦大学附属中山医院无法配合进行颅脑MRI检查的32例患者，使用常规并行采集（parallel imaging, PI）法和CNN-SS法进行T2液体抑制反转恢复（fluid attenuated inversion recovery, FLAIR）序列扫描，其中男18例，女14例，年龄43～89（75.02±14.71）岁。本研究遵守《赫尔辛基宣言》，并获得复旦大学附属中山医院伦理委员会批准（批准文号：B2021-293），全体参与患者或其家属均签署知情同意书。本组患者中，均为由于老年或身体不适等原因导致无法坚持较长时间扫描而无法良好配合的患者，其中3例伴有急性梗死病灶，4例伴有腔隙性梗塞灶，6例伴有脑白质病变，1例伴有硬膜下积液。排除标准：（1）存在幽闭恐惧症等MRI禁忌证的患者；（2）伴有严重心理及精神障碍者。

1.2 成像方法

       检查方法：采用联影770uMR 3.0 T超导MR扫描仪，8通道头颅线圈。扫描体位：患者仰卧，头位先入，经患者头部进行固定后开始扫描。扫描序列包括T1WI（TR 2000 ms，TE 7.5 ms，层厚 5 mm，FOV 230 mm×200 mm）、T2WI（TR 5900 ms，TE 136.8 ms，层厚 5 mm，层间距 1.5 mm，FOV 230 mm×200 mm）、扩散加权成像（diffusion weighted imaging, DWI）（TR 2358 ms，TE 82 ms，层厚 5 mm，FOV 230 mm×200）等常规序列的横断位及T1WI矢状位，在使用常规PI技术进行T2-FLAIR序列扫描时，患者如不能按检查要求制动配合导致图像产生伪影时，立即使用CNN-SS技术进行相同层面的FLAIR扫描。所含范围包含全部颅脑，CNN-SS序列与常规PI使用扫描参数如表1。

点击查看表格

表1  CNN-SS组和PI组T2-FLAIR成像参数
Tab. 1  T2-FLAIR imaging parameters of CNN-SS group and PI group

1.3 影像学评价

       图像分析：分别对常规PI和CNN-SS两组图像成像质量进行对比分析，评价内容由两名神经学诊断医师（分别为具有8年和15年诊断经验的主治医师）共同对图像伪影、图像清晰度及病灶显示情况分别进行多方面综合评价，两位医师的评价结果经Kappa评分系统进行对比（＜0.20分为一致性差，0.20～0.60分为一致性一般，0.61～0.80分为一致性好，＞0.80为极好）。两位医师一致评分纳入进一步研究，如评分出现差异，则请第三名高年资医师（具有25年诊断经验的主任医师）进行再次评估，取统一意见纳入研究。对以上几方面进行评估采取4级评分法^[16]：4分为图像对比度良好无伪影，病灶清晰显示；3分为图像对比度稍差，或有少许伪影；2分为图像伪影较大对比度不佳，或病灶显示模糊不清但尚能诊断；1分为图像伪影很大或病灶不能显示图像不可用于诊断。

1.4 统计学分析

       使用SPSS 22.0进行评分统计学分析，图像伪影及清晰度评分使用Wilcoxon秩和检验法进行两两对比，两名医师评分使用Kappa分析其评价的一致性，数据使用x¯±s表示，以P＜0.05为差异具有统计学意义。

2 结果

2.1 两种扫描技术对比

       所有病例扫描范围包括颅顶置至颅底小脑末端，CNN-SS组T2-FLAIR序列单例全颅脑扫描时间为33 s，PI对照组扫描时间为126 s，CNN-SS技术可使成像时间大幅缩短。

2.2 图像质量评价

       本组病例中，CNN-SS扫描的伪影评分≥3分者共31例，而PI组仅17例。CNN-SS组图像在PI伪影评价为3～4分时可清晰显示颅脑内各解剖结构，有效改善图像质量（图1、图2）；PI为1～2分时，应用CNN-SS补充扫描可消除部分伪影，使病变具有可诊断性（图3、图4）。两组图像质量评分及定量评价见表2。

       两名放射诊断医师图像评价的一致性良好，Kappa评分均在0.78～0.97之间，两组图像判定一致性较达到好以上。

点击查看大图

图1  女，68岁，头痛老年患者，无法长时间检查扫描。1A：常规PI技术扫描T2-FLAIR可以观察到两侧条状移动伪影，伪影评分为3分；1B：同层面CNN-SS技术扫描无移动伪影。
图2  男，53岁，因头痛无法配合的患者。2A：常规PI技术扫描因患者抖动图像欠清，额叶线条状高信号伪影；2B：同层面CNN-SS扫描图像显示清晰，无伪影评分为4分。PI：并行采集；CNN-SS：卷积神经网络单激发；FLAIR为液体抑制反转恢复。
Fig. 1  Female, 68 years old，an elderly patient with headache who cannot keep scanning for a long time. 1A: Conventional scanning T2-FLAIR using PI technique can observe strip movement artifacts on both sides, artifact score is 3; 1B: No obvious moving artifacts are detected in T2-FLAIR using CNN-SS technology on the same plane.
Fig. 2  Male, 53 years old, an uncooperative patient with a headache. 2A: The PI technology scan shows that the image is not clear due to the patient shaking, and the frontal lobe has a linear high signal artifact; 2B: The CNN-SS scan image showes clear, no artifacts in the same slice, and the score is evaluated as 4 points. PI: parallel imaging; CNN-SS: convolutional neural network single-shot; FLAIR: fluid attenuated inversion recovery.

点击查看大图

图3  女62岁，头晕烦躁，无法配合的患者，伴有脑梗病史。3A～3B为常规PI技术扫描显示大量移动伪影图像显示不清，小病灶不能有效识别（箭）无法进行有效诊断，评分1分；3C～3D为CNN-SS技术同层面扫描，解剖结构及病灶清晰可辨，图像无伪影评分为4分。PI：并行采集；CNN-SS：卷积神经网络单激发。
Fig. 3  Female, 62 years old, an uncooperative patient who are dizzy and fidgety, history of cerebral infarction. 3A-3B shows large-area moving artifacts in PI technology scans. The images are blurred, and small lesions cannot be effectively identified (arrows)，undiagnosed, image score is 1. 3C-3D: CNN-SS technology scans at the same slice, the anatomical structure and lesions are clearly distinguishable, the image without artifacts and the evaluation is 4 points. PI: parallel imaging; CNN-SS: convolutional neural network single-shot.

点击查看大图

图4  女，78岁，无法长时间坚持扫描的老年患者，伴有外伤后硬膜下积液。4A～4B为常规PI技术扫描显示双侧颞叶T2-FLAIR示条带状异常信号区，图像显示不清，评分为1分；4C～4D为CNN-SS技术快速补充扫描，双侧颞叶为带状略高信号区，信号对于比明显高于正常脑脊液，病灶处清晰可辨（箭）。PI：并行采集；CNN-SS：卷积神经网络单激发；FLAIR为液体抑制反转恢复。
Fig. 4  A 78-year-old woman. An elderly patient who cannot keep scanning for a long time with posttraumatic subdural effusion. 4A-4B: PI technique scan shows bilateral temporal lobe strips of abnormal signal intensity, blurred image; image score is 1; 4C-4D: Supplementary scans for CNN-SS technique, bilateral temporal lobes shows band-like slightly hyperintense area, signal for ratio is significantly higher than that of normal cerebrospinal fluid, the lesion area is clearly displayed (arrow). PI: parallel imaging; CNN-SS: convolutional neural network single-shot; FLAIR: fluid attenuated inversion recovery.

点击查看表格

表2  CNN-SS与PI组的T2-FLAIR图像质量评分
Tab. 2  T2-FLAIR image quality score for CNN-SS and PI groups

3 讨论

       本研究展示了一种使用CNN人工智能算法结合SS快速扫描的新方法，针对于临床实践中不能有效配合的患者进行快速颅脑T2-FLAIR成像。结果显示，无论在改善图像伪影还是在减少扫描时间方面，CNN-SS技术都较传统的PI加速技术更具优势，不仅大大加速了扫描的时间，同时也有效改善了这类无法配合的临床患者的颅脑MRI图像质量，提高了图像的可诊断性，有利于临床放射科医师及时对这类无法配合患者的潜在病变作出准确诊断，有助于患者治疗方案制定，避免漏诊、延误治疗。

3.1 传统T2-FLAIR MRI技术及缺陷

       在头颅MRI序列中，T2-FLAIR成像是一种最为常用的自由水抑制序列，对于各类神经系统疾病的检出和诊断具有重要的价值^{[6,17, 18]}。常用的T2-FLAIR序列既具有T2WI的性质，同时又能除外脑脊液信号，避免对病灶观察的干扰。然而，由于充分的水抑制效果需要较长反转时间，导致扫描时间会相对较长，这使得在一部分临床难以配合的老年人和/或无法长时间保持不动的患者难以应用T2-FLAIR成像。较长的成像时间将产生较多的运动伪影，降低成像效果，无法有效诊断。

       SS是一种常用的通过减少k空间填充以缩短成像时间的一种快速成像法。其特点是大幅度提升了成像的时间分辨率，已有广泛的MRI临床应用^{[19, 20]},但同时也会造成图像信噪比降低或图像对比度较差的问题。有研究发现其在颅脑T2-FLAIR成像中产生的伪影易引起鉴别诊断的困扰^[15]。针对上述两个目前临床中存在的难点，本实验通过将SS快速扫描与CNN人工智能算法结合，能将现有的T2-FLAIR扫描时间从126 s缩短至33 s，同时，可以获得满足于临床医师诊断的高质量图像。

3.2 CNN人工智能算法在快速MRI中的应用

       近年来，人工智能在医学影像学领域迅猛发展，对比传统MRI方法^{[21, 22]}，在成像速度和质量上都带来了新的突破。特别是利用CNN的深度学习技术，有研究认为可以大幅提升图像的重构速度和图像质量^{[10, 11, 12, 13,23]}。在此项研究中，使用传统SS快速成像技术的基础上通过引入CNN技术，帮助提升图像的重建速度和图像效果。通过人工智能算法提供的高效性和稳定性优势，让本身的序列扫描在更少的数据下重建出好的图像，实现较常规加速技术更加优越的MRI加速成像，并使原本成像时间较长的FLAIR序列能够在极短时间内获得诊断可用高质量图像。SHANBHOGUE等^[20]的研究发现使用深度学习的SS技术可以帮助肝脏T2WI序列成像时间减少75%，这也与我们大量减少成像时间的研究结论相近。其中压缩感知（compressed sensing, CS）的稀疏采样方法本身就是快速成像的一种重建技术，在MRI中已经有较为成熟的应用效果^{[24, 25, 26]}。将CNN模块作为保证高质量图像的人工智能方案引入到图像重构中来，充分发挥深度学习的优势，解决了快速成像中既去除伪影，又需要保留高分辨率图像的问题。引入的CNN运算模块是以大量的完全采样的数据进行基础训练的结果，使网络生成于样本等效的无伪影高质量图像，抑制伪影的同时并不影响解剖细节的表达^[27]。CNN-SS序列既保留了SS快速成像的优势，又可利用CNN强大的运算能力在图像重建中降低基础噪声重构出所有成像的细节^{[28, 29]}。本研究的结果中也体现其在消除运动伪影和提高组织对比度方面的优势，这也与CNN在MRI的其他研究结论相符合。相对于传统刀锋技术消除伪影的k空间重复填充原理不同^[30]，CNN-SS的扫描方式是通过深度学习的优势，修复了快速采样时容易产生的伪影，重构出可用于诊断的高质量图像，所以其成像时间大幅降低。其快速冻结图像伪影的能力也表现为多方位的，而刀锋技术仅可以对头颅的轴向运动提供去伪影帮助，并且运用刀锋技术将大幅增加图像的采集时间，对于因各种原因而无法良好配合的患者来说进一步加重了患者的不适感，增加产生伪影的概率。

3.3 局限性

       本研究还存在一些局限性：（1）纳入病例仅为临床常规的配合欠佳的患者，并没有对于患者无法配合的原因进行筛选。因此，后续需要针对某类特定疾病导致的无法配合患者中进行应用评价，如颅内急重症导致的无法配合患者等，以将此类技术在具体临床实践工作中进行深入验证，以方便后续的精准普及和应用。（2）本研究是在常规T2-FLAIR序列扫描效果不佳时再使用CNN-SS技术完成扫描，所以排除了配合良好患者，从而造成纳入病例相对较少。扫描的次序为先使用PI序列后使用CNN-SS的固定模式。其次常规PI法扫描图像不佳的情况下，存在伪影的图像对两者图像细节对比方面带来了不便。（3）本研究是基于配合欠佳患者群体的应用，故未能再加入扫描时间较长的刀锋技术进行对比。

4 结论

       综上所述，通过与常规T2-FLAIR成像方法的对比，本研究展现了一种基于CNN的深度学习法在快速成像中的应用。其对于缩短头颅MRI扫描时间、减少运动伪影方面有其独特的优势，使得在这类无法配合的临床患者得以进行颅脑MRI检查，这将十分有利于患者潜在的病变进行检出，避免漏诊，帮助临床医师制订患者的诊疗方案。