分享:
分享到微信朋友圈
X
特别关注
深度学习在肝脏屏气T2加权成像图像质量评价中的应用研究
方姝 吴梦雄 陈乾 刘方韬 董海鹏 付贵峰 严福华 林慧敏

Cite this article as: FANG S, WU M X, CHEN Q, et al. Clinical feasibility of breath-hold fat-suppressed T2-weighted sequence with deep learning reconstruction for liver imaging[J]. Chin J Magn Reson Imaging, 2023, 14(5): 31-35, 40.本文引用格式:方姝, 吴梦雄, 陈乾, 等. 深度学习在肝脏屏气T2加权成像图像质量评价中的应用研究[J]. 磁共振成像, 2023, 14(5): 31-35, 40. DOI:10.12015/issn.1674-8034.2023.05.007.


[摘要] 目的 通过对肝脏的基于深度学习的屏气T2加权脂肪抑制序列(breath-hold fat-suppressed T2-weighted sequence with deep learning reconstruction technique, BH fs T2 DLR)与呼吸门控Propeller T2脂肪抑制序列(respiratory-gated propeller fat-saturated T2-weighted sequence, RTr fs T2 Propeller)的图像质量及扫描时间进行比较,以明确其临床应用价值。材料与方法 前瞻性纳入2022年1至6月在我院行肝脏MRI检查的患者46例(23例肝内占位性病变,23例无明显占位病变),利用3.0 T MRI分别采集BH fs T2 DLR和RTr fs T2 Propeller两种序列的图像。两名放射诊断医师独立对两种序列下的图像质量进行主观及客观性评分。主观图像质量评分采用李克特(Likert)5分量表法,客观评分包括计算两种序列获取的肝脏图像的信噪比(signal-to-noise ratio, SNR),存在肝占位患者计算肝占位/肝脏对比噪声比(liver-lesion contrast-to-noise ratio, CNR_Lesion),肝脏无占位性病变患者计算脾脏/肝脏对比噪声比(liver-spleen contrast-to-noise ratio, CNR_Spleen)。利用Wilcoxon配对符号秩检验进行两组间差异比较,P<0.05为差异有统计学意义。结果 BH fs T2 DLR扫描时间(38 s)明显短于RTr fs T2 Propeller序列(162 s)(P<0.01)。在肝脏图像主观评价方面,BH fs T2 DLR序列图像主观评分、病灶显示及图像伪影评分上均优于RTr fs T2 Propeller,且差异有统计学意义(P<0.01)。客观评价方面,基于BH fs T2 DLR序列的肝脏SNR [290.30(220.63,383.80)]、CNR_Lesion [602.60(372.40,708.50)]、CNR_Spleen [267.70(146.70,432.80)]均显著高于RTr fs T2 Propeller序列的SNR [166.85(131.40,224.83)]、CNR_Lesion [259.20(217.90,367.90)]、CNR_Spleen [206.20(104.40,293.70)],组间差异有统计学意义(P<0.01)。结论 BH fs T2 DLR序列能够提供稳定良好的高SNR图像,扫描时间明显缩短,可在一定情况下替代常用的RTr fs T2 Propeller序列,为临床提供一种更有效的扫描方式。
[Abstract] Objective To assess the feasibility of the breath-hold fat-suppressed T2-weighted sequence with deep learning reconstruction technique (BH fs T2 DLR) and compare its image quality and acquisition time with those of the respiratory-gated propeller fat-saturated T2-weighted sequence (RTr fs T2 Propeller).Materials and Methods A total of 46 patients who underwent liver MRI in our hospital (23 patients with hepatic lesions and 23 without obvious lesions) were prospectively enrolled in this study from January to June 2022. Two sequences of BH fs T2 DLR and RTr fs T2 Propeller were performed with a 3.0 T scanner. Qualitative image quality was evaluated using a 5-point Likert scale. Quantitative image quality parameters included signal-to-noise ratio (SNR), lesion to liver contrast-to-noise ratio (CNR_Lesion) for patients with liver lesions, and spleen to liver contrast-to-noise ratio (CNR_Spleen) for patients without liver lesions. Wilcoxon matched-pairs signed-ranks test was performed for comparison analysis at a significance level of P<0.05.Results BH fs T2 DLR showed significantly shorter scan time (38 s vs. 162 s, P<0.01). BH fs T2 DLR sequence achieved higher scores for all qualitative image quality parameters (P<0.01). BH fs T2 DLR also showed significantly higher SNR [290.30 (220.63, 383.80)] vs. [166.85 (131.40, 224.83)], CNR_Lesion [602.60 (372.40, 708.50)] vs. [259.20 (217.90, 367.90)] and CNR_Spleen [267.70 (146.70, 432.80)] vs. [206.20 (104.40, 293.70)] than RTr fs T2 Propeller, respectively (P<0.01).Conclusions The BH fs T2 DLR sequence can provide improved image quality and simultaneously significant reduction in scanning time, and may replace the RTr fs T2 Propeller sequence in certain scenarios, as a promising alternative in clinical practice.
[关键词] 肝脏;磁共振成像;T2加权成像;深度学习
[Keywords] liver;magnetic resonance imaging;T2 weighted imaging;deep learning

方姝    吴梦雄    陈乾    刘方韬    董海鹏    付贵峰    严福华    林慧敏 *  

上海交通大学医学院附属瑞金医院放射科,上海 200025

通信作者:林慧敏,E-mail:lhm12362@rjh.com.cn

作者贡献声明:林慧敏设计本研究的方案,对稿件的重要内容进行了修改;方姝起草和撰写稿件,获取、分析或解释本研究的数据;吴梦雄、陈乾、刘方韬、董海鹏、付贵峰、严福华获取、分析或解释本研究的数据,对稿件重要内容进行了修改;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


收稿日期:2023-02-10
接受日期:2023-05-06
中图分类号:R445.2  R575 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2023.05.007
本文引用格式:方姝, 吴梦雄, 陈乾, 等. 深度学习在肝脏屏气T2加权成像图像质量评价中的应用研究[J]. 磁共振成像, 2023, 14(5): 31-35, 40. DOI:10.12015/issn.1674-8034.2023.05.007.

0 前言

       MRI扫描是临床诊断肝脏疾病的重要手段之一,尤其是对肝占位性病变的诊断有明显优势。T2加权成像(T2 weighted imaging, T2WI)序列作为肝脏扫描必备的重要序列,能反映病变的组织成分特征,为诊断提供重要的影像学依据[1]。T2WI的成像方法有多种,传统T2脂肪抑制序列因存在呼吸运动伪影大、扫描时间长等问题导致高达55%的患者需要重复扫描该序列[2, 3, 4]

       屏气扫描以及呼吸门控扫描是肝脏MRI扫描常用技术,可以有效减少呼吸运动伪影。结合脂肪抑制的呼吸门控T2WI序列图像质量佳、对比度好,它还可以结合Propeller技术[5]进一步降低各种运动伪影及磁敏感伪影[6, 7],被公认为肝脏MRI检查的黄金序列[8, 9],目前临床上最为常用。但此序列的最大不足是总耗时长[10, 11],一般需要数分钟,并要求患者全程配合,呼吸频率及幅度保持一致。患者呼吸不规律会导致严重的呼吸运动伪影,在高场强MRI序列扫描下会更明显,即使使用Propeller技术也无法完全消除伪影对图像质量的影响。屏气扫描序列有着总耗时更短的优势,但在T2WI序列应用相对较少,原因是获取清晰图像所需的扫描时间较长,患者需进行多次屏气才能完成扫描,而患者多次屏气时肝脏与膈肌位置有较大差距,所得到的图像会出现错层等问题。此外,有研究报道屏气T2WI的信噪比(signal-to-noise ratio, SNR)与软组织对比度较差[12]。使用并行采集技术可以提升扫描速度,将屏气次数减少至两次,但其图像质量也会进一步受到影响。

       随着医用深度学习(deep learning, DL)技术的逐步成熟,逐渐有研究探索深度学习重建(deep learning-based reconstruction, DLR)技术[13, 14]改善图像质量方面的应用。神经、心脏、前列腺等部位的多项研究证实了基于DLR技术有助于提高图像质量[15, 16],实现不增加扫描时间的同时提高图像SNR与清晰度,从而改善图像质量。既往DLR应用于肝脏MRI的研究多基于国外患者数据,且使用的是软组织对比较差的单次激发快速自旋回波(single shot fast spin echo, SSFSE)序列[5, 17],部分研究未定量比较图像质量[5, 18]。本研究通过分析肝脏的基于DLR的屏气T2加权脂肪抑制成像序列(breath-hold fat-suppressed T2-weighted sequence with deep learning reconstruction technique, BH fs T2 DLR)检查的图像质量,并与临床常用的呼吸门控Propeller T2加权脂肪抑制序列(respiratory-gated propeller fat-saturated T2-weighted sequence, RTr fs T2 Propeller)进行比较,旨在探索使用屏气扫描结合并行采集以及DLR的方式,在较短的总扫描时间内能否获得高质量图像,明确该重建算法的临床应用价值。

1 材料与方法

1.1 一般资料

       本研究为前瞻性研究,遵守《赫尔辛基宣言》,并经过本单位医学伦理委员会批准(批准文号:RJ 2018-209),受试者均已签署知情同意书。2022年1至6月期间,共计连续纳入60例患者入组进行肝脏MRI扫描。患者入组标准:(1)肝硬化;(2)肝内局灶性病变;(3)病毒性肝炎;(4)血指标肝酶异常;(5)脂肪肝;(6)腹痛待查。排除标准:(1)MRI扫描禁忌患者;(2)近六个月内接受肝脏手术;(3)患者对屏气与均匀呼吸指令理解能力异常影响数据测量;(4)因肺部疾病导致的呼吸不畅或无法屏气患者。

1.2 肝脏MRI检查

       患者检查前禁食6 h,均在GE SIGNA Architect 3 T超导MRI扫描设备上行RTr fs T2 Propeller序列扫描及BH fs T2 DLR序列扫描,使用线圈为AIR Coil。患者取仰卧位,脚先进,扫描参数:重复时间(repeatation time, TR)分别为3000~6000 ms及3500 ms,回波时间(echo time, TE)均为85 ms,视野(field of view, FOV)均为400 mm×400 mm,矩阵均为300×300,层厚均为5 mm,层间距均为1 mm,激励次数(number of excitations, NEX)均为1次,加速因子均为2,回波链长度(echo train length, ETL)均为23。

1.3 图像分析及评价

       图像分析及评价由两名分别具有20年和8年诊断经验的主任医师(阅片者1)和主治医师(阅片者2)采用双盲法完成。

1.3.1 主观评价

       主观评价主要包括对肝脏图像质量、是否有伪影以及病灶边界显示进行评价。采用李克特(Likert)5分量表法[19]:5分为图像质量优秀,可用于诊断;4分为图像质量良好,可用于诊断;3分为图像质量有瑕疵,不影响诊断;2分为图像质量欠佳,影响诊断;1分为图像质量差,不能诊断。伪影包括运动伪影和Gibbs伪影。

1.3.2 客观评价

       将2组序列图像导入后处理工作站(GE ADW 4.4)进行定量评估,对所有患者,在门静脉层面勾画肝脏实质的3个40~60 mm2感兴趣区(region of interest, ROI),避开血管,分别记录每个ROI信号强度(signal intensity, SI)平均值,取三者的均值记录为肝脏SI(SI_liver)。存在肝占位者,在病灶最大层面,选取病灶内实性成分勾画ROI,避开明显坏死区域,记录为病灶SI(SI_lesion)。无肝占位者,在肝门静脉层面勾画脾脏3个40~60 mm2 ROI,避开血管,分别记录每个ROI的SI,取三者均值记录为脾脏SI(SI_spleen)。此外,在肝门静脉层面测量棘突正后方背景区域ROI信号标准差SDbackground作为噪声[20, 21]。根据以下公式计算肝脏SNR(liver SNR, SNR_Liver)、肝占位/肝脏的对比噪声比(liver-lesion contrast-to-noise ratio, CNR_Lesion)及脾脏/肝脏对比噪声比(liver-spleen contrast-to-noise ratio, CNR_Spleen):SNR=SI_liver/SDbackground,CNR_Lesion=|SI_lesion-SI_liver|/SDbackground,CNR_Spleen=|SI_spleen-SI_liver|/SDbackground。

1.4 两种序列扫描时间的比较

       将两组序列图像导入后处理工作站(GE ADW 4.4)后,记录每个序列扫描时间数据,比较两组序列扫描时间的差异。

1.5 统计学分析

       采用SPSS 19.0统计学软件分析数据。采用组内相关系数(intra-class correlation coefficient, ICC)评估两位阅片者之间主观及客观测量指标的一致性:ICC值为0.81~1.00时,较完美的一致性;ICC值为0.61~0.80时,一致性较好;ICC值为0.41~0.60时,一致性中等;ICC值为0.21~0.40时,低度一致性;ICC值低于0.20时,一致性较差。对数据结果以检验水准0.05、检验效能0.95的单尾Wilcoxon配对符号秩方法检验样本量是否满足可靠性需要。采用Wilcoxon配对符号秩检验分析进行图像质量评分、SNR和不同CNR的整体比较。主观评价数据以平均值(最小,最大值)表示,客观评价定量数据采用中位数及四分位间距(interquartile range, IQR)表示,以P<0.05为差异有统计学意义。

2 结果

2.1 入组患者资料

       60例符合纳入标准的患者被纳入本次扫描,其中:肝硬化18例、局灶性病变12例、病毒性肝炎7例、肝酶异常3例、脂肪肝10例、腹痛待查10例。根据排除标准排除因胸腔积液、肺不张等肺部疾病而屏气欠佳的患者12例,因年龄较大(>80岁)对自由呼吸和屏气指令配合欠佳的患者1例,在家属配合下亦无法完成自由呼吸与屏气两种序列检查的患者1例。最终共计46例患者被纳入研究,入组患者年龄最小16岁,最大80岁;无占位患者23例,肝占位患者23例,其中肝转移瘤12例、肝囊肿4例、肝内胆管细胞癌2例、肝脏局灶性结节性增生2例、肝细胞癌3例。

       样本量满足所有客观指标检验水准0.05、检验效能0.95所需[15]。两位放射科医师对所有受试者图像测量结果的一致性分析ICC均高于0.80(表1),因此取高年资医师(阅片者1)测量数据进行进一步分析。

表1  阅片者间两种序列主观评价一致性分析
Tab. 1  Inter-reader agreements of qualitative image quality parameters for T2 weighted images with and without deep learning reconstruction

2.2 主观指标

       全部46例患者中,在肝脏整体结构、病灶及伪影方面上,BH fs T2 DLR序列的图像得分均优于RTr fs T2 Propeller序列(P<0.01)。如图1、2所示,两种序列下肝脏整体结构显示均较好;在BH fs T2 DLR屏气序列下,呼吸运动伪影得到极大改善。主观性评价统计分析结果见表2

图1  男,68岁,肝细胞癌患者。与RTr fs T2 Propeller序列图像(1A)相比,肝内病灶在BH fs T2 DLR序列图像(1B)上内部成分与边界显示更清晰,肝脏背景和实质之间的对比更好。
图2  男,52岁,慢性乙型肝炎患者。RTr fs T2 Propeller序列(2A)及BH fs T2 DLR序列(2B)的整体图像质量均较好,肝脏背景显示清晰,无明显伪影,但BH fs T2 DLR序列图像肝内血管显示更佳,胆囊的边界显示更为清晰,胆汁信号更为均匀。RTr fs T2 Propeller:呼吸门控Propeller T2脂肪抑制序列;BH fs T2 DLR:基于深度学习重建技术的屏气T2加权脂肪抑制序列。
Fig. 1  MRI images in a 68-year-old man with hepatic carcinoma. Compared with the RTr fs T2 Propeller image (1A), the BH fs T2 DLR image (1B) offers clear superiority in the lesion conspicuity, as well as the edge sharpness of the liver parenchyma and vascular structures.
Fig. 2  MRI images in a 52-year-old man with chronic hepatitis B. Two sequences of RTr fs T2 Propeller (2A) and BH fs T2 DLR (2B) present good overall image quality with a good delineation of anatomy, without obvious artifacts. The vessel visibility is much better in the BH fs T2 DLR image than RTr fs T2 Propeller, and the gall bladder sharpness and bile delineation are also better in BH fs T2 DLR. RTr fs T2 Propeller: respiratory-gated propeller fat-saturated T2-weighted sequence; BH fs T2 DLR: breath-hold fat-suppressed T2-weighted sequence with deep learning reconstruction technique.
表2  两种序列主观评价分析结果
Tab. 2  Comparison of qualitative image quality parameters between T2 weighted images with and without deep learning reconstruction

2.3 客观指标

       在全部入组患者中,BH fs T2 DLR序列的SNR_Liver显著高于RTr fs T2 Propeller序列(P<0.01);在有病灶患者中,BH fs T2 DLR序列的CNR_Lesion显著高于RTr fs T2 Propeller序列(P<0.01);在无病灶患者中,BH fs T2 DLR序列的CNR_Spleen显著高于RTr fs T2 Propeller序列(P<0.01),图像对比度更好(表3)。从扫描时间来看,BH fs T2 DLR序列扫描时间[38(37,38)s]明显短于RTr fs T2 Propeller序列[162(146,173)s](P<0.01),BH fs T2 DLR相比RTr fs T2 Propeller平均扫描时间缩短77%(124 s)。

表3  两种序列客观评价分析结果
Tab. 3  Comparison of quantitative image quality parameters between T2 weighted images with and without deep learning reconstruction

3 讨论

       本研究基于国内患者,首次在肝脏屏气T2WI脂肪抑制序列中应用DLR算法进行重建,并与临床常用的呼吸门控Propeller T2WI序列图像进行比较。结果表明,结合了DLR技术的BH fs T2 DLR序列能明显缩短扫描时间,并且在所得图像主观评分和客观评分上均优于RTr fs T2 Propeller序列。在较短的总扫描时间内获得了病灶显示更好、伪影更少的图像,证明了DLR技术应用于屏气T2WI脂肪抑制序列有助于提高扫描效率,改善图像质量,具有广阔的临床应用前景。

3.1 屏气序列结合DLR技术与呼吸门控序列的扫描时间比较结果分析

       扫描效率是MRI扫描序列研究中的一个重要指标。本研究所用屏气扫描序列总扫描时间为38(37,38)s,扫描速度相较于呼吸门控序列[162(146,173)s]显著提升,屏气序列扫描效率远高于呼吸门控序列。然而,传统屏气序列需要患者配合多次屏气来完成全肝扫描,其导致的错层等问题严重影响图像质量,通过使用并行采集技术,我们将屏气次数优化至两次,提高了屏气序列采集的可行性。既往有报道称不同患者屏气方式对肝脏MRI检查的图像质量有一定影响,患者吸气末或呼气末屏气程度不同都会影响屏气效果,呼吸运动程度较难掌握,导致重复性差,腹腔脏器层面不一致,易形成错层和伪影[22]。所以屏气质量是获得高质量图像采集的关键因素[23]。本研究在患者检查前均进行了呼气末屏气训练,良好的屏气训练能够进一步降低呼吸运动伪影对扫描结果的影响[24]

3.2 屏气序列结合DLR技术与呼吸门控序列的SNR、CNR结果分析

       如上所述,并行采集技术可以提高扫描速度,然而使用并行采集等方式可能会降低SNR[25]。本研究将屏气序列与DLR技术结合可以弥补SNR的损失,采用的GE公司Air Recon DL技术是基于超过10 000对无伪影、高SNR、高空间分辨率图像及其对应的低SNR、低空间分辨率图像深度卷积网络的训练数据库的训练算法。该技术可有效降低Gibbs伪影和噪声,提高图像SNR和锐利度[26]。在使用更高并行采集加速因子的同时,还能保持图像SNR不变或更高[27, 28, 29, 30],减少屏气扫描的屏气次数进而减少可能造成的错层现象。

       本研究将DLR技术用于屏气T2WI序列图像,使用主观评分与客观指标来评价其图像,且分别由两名诊断医师对BH fs T2 DLR与RTr fs T2 Propeller两组序列图像的三个不同方面进行分析评价,研究结果显示,BH fs T2 DLR的SNR与CNR均高于RTr fs T2 Propeller图像,且差异具有统计学意义(P<0.01);BH fs T2 DLR图像各项评分均高于RTr fs T2 Propeller的图像,说明DLR技术能够显著提升图像的清晰度,有助于更好地显示结构特点并识别病灶。

       既往使用DLR技术提高肝脏MRI扫描效率的研究多基于国外患者数据。GINOCCHIO等[17]的研究使用DLR算法重建,发现使用DLR技术的屏气T2WI序列图像较传统屏气T2WI序列图像在肝脏边界与血管清晰度、胰管清晰度、运动伪影以及其他伪影等图像质量项目的得分均有提升,然而这项研究采用了SSFSE序列扫描,它有助于缩短扫描时间,但图像软组织分辨率及SNR都较差,呼吸伪影及搏动伪影较多,对疾病的诊断产生一定的影响,因此不能作为常规使用的序列。而本研究所使用的DLR结合T2WI脂肪抑制序列进行屏气扫描,可以获得更满足临床需求的肝脏组织和病灶对比,进一步提高了利用DLR技术优化肝脏T2WI序列扫描的可行性。

3.3 本研究的局限性

       本研究存在一些局限性:(1)纳入的肝脏占位的病例数较少,因此未能用BH fs T2 DLR序列对肝占位的诊断价值进行探讨。(2)本研究采用的BH fs T2 DLR序列对皮下脂肪的抑制效果不如RTr fs T2 Propeller。由于呼吸门控序列的TR时间与呼吸频率有关,所以扫描时原理上无法控制此变量。为避免高估BH fs T2 DLR序列SNR与CNR,TR时间设置相对于RTr fs T2 Propeller序列较短,脂肪信号存在一定的饱和效应,BH fs T2 DLR序列组SI_liver以及|SI_lesion-SI_liver|均因此偏低。即便如此,BH fs T2 DLR序列的SNR与CNR均更高,所以这一差异不影响结论。(3)本研究仅针对肝脏的图像质量进行了比较,未将上腹部其余器官的成像效果进行比较。因此,仍需进一步研究DLR对腹部其他器官与组织成像效果的影响。

4 结论

       综上所述,在肝脏MRI检查中,结合了DLR算法的BH fs T2 DLR序列扫描效率更高,图像质量更佳,它拥有较高的SNR及CNR,并且可根据患者个体情况选择更有效率的扫描方式,值得临床上进一步推广应用。

[1]
黎丽, 刘干辉, 赵国栋, 等. 肝脏磁共振检查序列选择与病变检测能力对比分析[J]. 中国现代医药杂志, 2018, 20(5): 33-36. DOI: 10.3969/j.issn.1672-9463.2018.05.009">10.3969/j.issn.1672-9463.2018.05.009">10.3969/j.issn.1672-9463.2018.05.009.
LI L, LIU G H, ZHAO G D, et al. Comparative analysis of different pulse sequences in the detection of hepatic lesions[J]. Mod Med J China, 2018, 20(5): 33-36. DOI: 10.3969/j.issn.1672-9463.2018.05.009">10.3969/j.issn.1672-9463.2018.05.009">10.3969/j.issn.1672-9463.2018.05.009.
[2]
蒋春峰. BLADE技术在上腹部自由呼吸导航T2WI中的应用价值[J]. 世界复合医学, 2022, 8(2): 80-82, 86. DOI: 10.11966/j.issn.2095-994X.2022.08.02.20">10.11966/j.issn.2095-994X.2022.08.02.20">10.11966/j.issn.2095-994X.2022.08.02.20.
JIANG C F. Application value of BLADE technique in upper abdominal free breathing navigation T2WI[J]. World J Complex Med, 2022, 8(2): 80-82, 86. DOI: 10.11966/j.issn.2095-994X.2022.08.02.20">10.11966/j.issn.2095-994X.2022.08.02.20">10.11966/j.issn.2095-994X.2022.08.02.20.
[3]
SCHREIBER-ZINAMAN J, ROSENKRANTZ A B. Frequency and reasons for extra sequences in clinical abdominal MRI examinations[J]. Abdom Radiol (NY), 2017, 42(1): 306-311. DOI: 10.1007/s00261-016-0877-6">10.1007/s00261-016-0877-6">10.1007/s00261-016-0877-6.
[4]
SHANBHOGUE K, TONG A, SMEREKA P, et al. Accelerated single-shot T2-weighted fat-suppressed (FS) MRI of the liver with deep learning-based image reconstruction: qualitative and quantitative comparison of image quality with conventional T2-weighted FS sequence[J]. Eur Radiol, 2021, 31(11): 8447-8457. DOI: 10.1007/s00330-021-08008-3">10.1007/s00330-021-08008-3">10.1007/s00330-021-08008-3.
[5]
CHARTRAND G, CHENG P M, VORONTSOV E, et al. Deep learning: a primer for radiologists[J]. Radiographics, 2017, 37(7): 2113-2131. DOI: 10.1148/rg.2017170077">10.1148/rg.2017170077">10.1148/rg.2017170077.
[6]
俞益洲, 石德君, 马杰超, 等. 人工智能在医学影像分析中的应用进展[J]. 中国医学影像技术, 2019, 35(12): 1808-1812. DOI: 10.13929/j.1003-3289.201909150">10.13929/j.1003-3289.201909150">10.13929/j.1003-3289.201909150.
YU Y Z, SHI D J, MA J C, et al. Advances in application of artificial intelligence in medical image analysis[J]. Chin J Med Imaging Technol, 2019, 35(12): 1808-1812. DOI: 10.13929/j.1003-3289.201909150">10.13929/j.1003-3289.201909150">10.13929/j.1003-3289.201909150.
[7]
余可妍, 张晓东. 深度学习在影像学诊断膝关节病变中的应用进展[J]. 中国医学影像技术, 2021, 37(10): 1563-1566. DOI: 10.13929/j.issn.1003-3289.2021.10.030">10.13929/j.issn.1003-3289.2021.10.030">10.13929/j.issn.1003-3289.2021.10.030.
YU K Y, ZHANG X D. Research progresses of deep learning in imaging diagnosis of knee joint lesions[J]. Chin J Med Imaging Technol, 2021, 37(10): 1563-1566. DOI: 10.13929/j.issn.1003-3289.2021.10.030">10.13929/j.issn.1003-3289.2021.10.030">10.13929/j.issn.1003-3289.2021.10.030.
[8]
徐琦, 何永胜, 罗潇, 等. 多激励次数自由呼吸T1VIBE序列在肝脏MR中的应用[J]. 中国CT和MRI杂志, 2020, 18(4): 89-90, 152. DOI: 10.3969/j.issn.1672-5131.2020.04.027">10.3969/j.issn.1672-5131.2020.04.027">10.3969/j.issn.1672-5131.2020.04.027.
XU Q, HE Y S, LUO X, et al. The application of multiple number of excitation(NEX)free breathing T1 VIBE sequence in liver MR[J]. Chin J CT MRI, 2020, 18(4): 89-90, 152. DOI: 10.3969/j.issn.1672-5131.2020.04.027">10.3969/j.issn.1672-5131.2020.04.027">10.3969/j.issn.1672-5131.2020.04.027.
[9]
史卓, 赵心明, 宋俊峰, 等. 1.5T 和3.0T 上腹部扩散加权成像三种呼吸采集方式的比较[J]. 放射学实践, 2015, 30(6): 686-690. DOI: 10.13609/j.cnki.1000-0313.2015.06.020">10.13609/j.cnki.1000-0313.2015.06.020">10.13609/j.cnki.1000-0313.2015.06.020.
SHI Z, ZHAO X M, SONG J F, et al. Comparison of breath-hold, respiratory-triggered and free-breathing techniques for diffusion-weighted imaging acquisitions of the upper abdomen at 1.5 T and 3.0 T[J]. Radiol Pract, 2015, 30(6): 686-690. DOI: 10.13609/j.cnki.1000-0313.2015.06.020">10.13609/j.cnki.1000-0313.2015.06.020">10.13609/j.cnki.1000-0313.2015.06.020.
[10]
CANELLAS R, ROSENKRANTZ A B, TAOULI B, et al. Abbreviated MRI protocols for the abdomen[J]. RadioGraphics, 2019, 39(3): 744-758. DOI: 10.1148/rg.2019180123">10.1148/rg.2019180123">10.1148/rg.2019180123.
[11]
MULÉ S, KHARRAT R, ZERBIB P, et al. Fast T2-weighted liver MRI: image quality and solid focal lesions conspicuity using a deep learning accelerated single breath-hold HASTE fat-suppressed sequence[J]. Diagn Interv Imaging, 2022, 103(10): 479-485. DOI: 10.1016/j.diii.2022.05.001">10.1016/j.diii.2022.05.001">10.1016/j.diii.2022.05.001.
[12]
BAYRAMOGLU S, KILICKESMEZ O, CIMILLI T, et al. T2-weighted MRI of the upper abdomen: comparison of four fat-suppressed T2-weighted sequences including PROPELLER (BLADE) technique[J]. Acad Radiol, 2010, 17(3): 368-374. DOI: 10.1016/j.acra.2009.10.015">10.1016/j.acra.2009.10.015">10.1016/j.acra.2009.10.015.
[13]
KIDOH M, SHINODA K, KITAJIMA M, et al. Deep learning based noise reduction for brain MR imaging: tests on phantoms and healthy volunteers[J]. Magn Reson Med Sci, 2020, 19(3): 195-206. DOI: 10.2463/mrms.mp.2019-0018">10.2463/mrms.mp.2019-0018">10.2463/mrms.mp.2019-0018.
[14]
GASSENMAIER S, AFAT S, NICKEL M D, et al. Accelerated T2-weighted TSE imaging of the prostate using deep learning image reconstruction: a prospective comparison with standard T2-weighted TSE imaging[J/OL]. Cancers, 2021, 13(14): 3593 [2022-10-18]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8303682/pdf/cancers-13-03593.pdf. DOI: 10.3390/cancers13143593">10.3390/cancers13143593">10.3390/cancers13143593.
[15]
VAN DER VELDE N, HASSING H C, BAKKER B J, et al. Improvement of late gadolinium enhancement image quality using a deep learning-based reconstruction algorithm and its influence on myocardial scar quantification[J]. Eur Radiol, 2021, 31(6): 3846-3855. DOI: 10.1007/s00330-020-07461-w">10.1007/s00330-020-07461-w">10.1007/s00330-020-07461-w.
[16]
ALMANSOUR H, HERRMANN J, GASSENMAIER S, et al. Deep learning reconstruction for accelerated spine MRI: prospective analysis of interchangeability[J/OL]. Radiology, 2023, 306(3): e212922 [2022-10-18]. https://pubs.rsna.org/doi/10.1148/radiol.212922. DOI: 10.1148/radiol.212922">10.1148/radiol.212922">10.1148/radiol.212922.
[17]
GINOCCHIO L A, SMEREKA P N, TONG A, et al. Accelerated T2-weighted MRI of the liver at 3 T using a single-shot technique with deep learning-based image reconstruction: impact on the image quality and lesion detection[J].Abdom Radiol, 2023, 48(1): 282-290. DOI: 10.1007/s00261-022-03687-y">10.1007/s00261-022-03687-y">10.1007/s00261-022-03687-y.
[18]
SHENG R F, ZHENG L Y, JIN K P, et al. Single-breath-hold T2WI liver MRI with deep learning-based reconstruction: a clinical feasibility study in comparison to conventional multi-breath-hold T2WI liver MRI[J]. Magn Reson Imaging, 2021, 81: 75-81. DOI: 10.1016/j.mri.2021.06.014">10.1016/j.mri.2021.06.014">10.1016/j.mri.2021.06.014.
[19]
KANIEWSKA M, DEININGER-CZERMAK E, GETZMANN J M, et al. Application of deep learning-based image reconstruction in MR imaging of the shoulder joint to improve image quality and reduce scan time[J]. Eur Radiol, 2023, 33(3): 1513-1525. DOI: 10.1007/s00330-022-09151-1">10.1007/s00330-022-09151-1">10.1007/s00330-022-09151-1.
[20]
于瑞磊, 刘希胜. 压缩感知技术在肝脏动态对比增强MRI中的应用研究[J]. 医疗卫生装备, 2020, 41(12): 72-75. DOI: 10.19745/j.1003-8868.2020279">10.19745/j.1003-8868.2020279">10.19745/j.1003-8868.2020279.
YU R L, LIU X S. Feasibility of compressed sensing techniques in liver's contrast-enhanced MRI examination[J]. Chin Med Equip J, 2020, 41(12): 72-75. DOI: 10.19745/j.1003-8868.2020279">10.19745/j.1003-8868.2020279">10.19745/j.1003-8868.2020279.
[21]
LI H L, HU C L, YANG Y, et al. Single-breath-hold T2WI MRI with artificial intelligence-assisted technique in liver imaging: As compared with conventional respiratory-triggered T2WI[J]. Magn Reson Imaging, 2022, 93: 175-180. DOI: 10.1016/j.mri.2022.08.012">10.1016/j.mri.2022.08.012">10.1016/j.mri.2022.08.012.
[22]
徐航, 杜凡, 温喜喜, 等. ACS和BLADE序列在上腹部T2WI中的应用价值对比[J]. 中国临床医学, 2022, 29(1): 92-96. DOI: 10.12025/j.issn.1008-6358.2022.20211448">10.12025/j.issn.1008-6358.2022.20211448">10.12025/j.issn.1008-6358.2022.20211448.
XU H, DU F, WEN X X, et al. Comparison of ACS and BLADE T2WI sequences in upper abdomen study[J]. Chin J Clin Med, 2022, 29(1): 92-96. DOI: 10.12025/j.issn.1008-6358.2022.20211448">10.12025/j.issn.1008-6358.2022.20211448">10.12025/j.issn.1008-6358.2022.20211448.
[23]
李雷, 李娜, 孙怡咪, 等. 不同屏气方式在MRI胸部及腹部检查中的差异性研究[J]. 中国医疗设备, 2021, 36(10): 48-51, 55. DOI: 10.3969/j.issn.1674-1633.2021.10.011">10.3969/j.issn.1674-1633.2021.10.011">10.3969/j.issn.1674-1633.2021.10.011.
LI L, LI N, SUN Y M, et al. Study on differences of breath-holds applied in MRI detection of both chest and abdomen[J]. China Med Devices, 2021, 36(10): 48-51, 55. DOI: 10.3969/j.issn.1674-1633.2021.10.011">10.3969/j.issn.1674-1633.2021.10.011">10.3969/j.issn.1674-1633.2021.10.011.
[24]
杨萍, 张桂敏, 李顺. 呼吸训练在肝脏核磁共振成像增强扫描患者护理中的应用[J]. 解放军护理杂志, 2014, 31(15): 44-45, 48. DOI: 10.3969/j.issn.1008-9993.2014.15.014.
YANG P, ZHANG G M, LI S. Application of respiratory training on nursing of patients with liver MRI examination[J]. Nurs J Chin People's Liberation Army, 2014, 31(15): 44-45, 48. DOI: 10.3969/j.issn.1008-9993.2014.15.014.
[25]
HAMILTON J, FRANSON D, SEIBERLICH N. Recent advances in parallel imaging for MRI[J]. Prog Nucl Magn Reson Spectrosc, 2017, 101: 71-95. DOI: 10.1016/j.pnmrs.2017.04.002.
[26]
PETERS R. The clinical benefits of AIR™ Recon DL for MR image reconstruction[EB/OL]. [2022-11-07]. https://www.gehealthcare.com/ensg/-/jssmedia/c943df5927a049bb9ac95a9 f0349ad8c.pdf.
[27]
KIM M, KIM H S, KIM H J, et al. Thin-slice pituitary MRI with deep learning-based reconstruction: diagnostic performance in a postoperative setting[J]. Radiology, 2021, 298(1): 114-122. DOI: 10.1148/radiol.2020200723.
[28]
SCHLEMPER J, CABALLERO J, HAJNAL J V, et al. A deep cascade of convolutional neural networks for dynamic MR image reconstruction[J]. IEEE Trans Med Imaging, 2018, 37(2): 491-503. DOI: 10.1109/TMI.2017.2760978.
[29]
HAMMERNIK K, KLATZER T, KOBLER E, et al. Learning a variational network for reconstruction of accelerated MRI data[J]. Magn Reson Med, 2018, 79(6): 3055-3071. DOI: 10.1002/mrm.26977.
[30]
HERRMANN J, NICKEL D, MUGLER J P, et al. Development and evaluation of deep learning-accelerated single-breath-hold abdominal HASTE at 3 T using variable refocusing flip angles[J]. Invest Radiol, 2021, 56(10): 645-652. DOI: 10.1097/RLI.0000000000000785.

上一篇 基于多中心MRI的3D-ResNet101深度学习模型预测脑胶质瘤术前分级的研究
下一篇 深度学习重建技术在膀胱癌MRI临床应用中的可行性研究
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2