分享:
分享到微信朋友圈
X
特别关注
基于深度学习的图像重建在提高颞下颌关节MRI图像质量中的初步应用研究
王春杰 单艺 张越 武春雪 刘灿 王静娟 吴涛 葛献鹏 卢洁

Cite this article as: WANG C J, SHAN Y, ZHANG Y, et al. Preliminary application of deep learning-based image reconstruction in improving temporomandibular joint MRI image quality[J]. Chin J Magn Reson Imaging, 2024, 15(10): 3-7, 21.本文引用格式:王春杰, 单艺, 张越, 等. 基于深度学习的图像重建在提高颞下颌关节MRI图像质量中的初步应用研究[J]. 磁共振成像, 2024, 15(10): 3-7, 21. DOI:10.12015/issn.1674-8034.2024.10.002.


[摘要] 目的 探讨深度学习重建(deep learning reconstruction, DLR)技术在提高颞下颌关节MRI快速自旋回波-质子密度加权成像(fast-spin echo proton density weighted imaging, FSE-PD)图像质量及缩短扫描时间中的应用价值。材料与方法 招募40名健康志愿者,进行颞下颌关节MRI扫描,对每名健康志愿者行颞下颌关节MRI常规FSE-PD扫描和DLR加速FSE-PD扫描,并保存未施加DLR的加速FSE-PD原始图像。两名放射科医师分别对3组FSE-PD图像质量进行定性、定量评价。定性评价使用Likert量表(5分法)对图像解剖结构清晰度及整体图像质量进行主观评分。定量评价采用信噪比(signal-to-noise ratio, SNR)和对比噪声比(contrast-to-noise ratio, CNR)对图像质量进行客观评价。采用单因素方差分析和Kruskal-Wallis检验比较三组图像主观评分和客观指标的差异。采用组内相关系数(intra-class correlation coefficient, ICC)评估两名放射科医师主观评分的一致性。结果 与常规FSE-PD组相比,DLR快速FSE-PD组扫描时间缩短了67%。两名放射科医师对图像解剖结构清晰度及整体图像质量主观评分的一致性较好(ICC分别为0.80、0.78),常规FSE-PD组、快速FSE-PD组和DLR快速FSE-PD组的图像解剖结构清晰度及整体图像质量评分差异均有统计学意义(P<0.05);三组FSE-PD图像间的SNR、CNR差异有统计学意义(P<0.05);DLR快速FSE-PD组的定性及定量评价结果均显著优于常规FSE-PD组。结论 DLR技术可以缩短颞下颌关节MRI常规FSE-PD序列检查的扫描时间,提高图像质量,有助于患者更快地完成检查。
[Abstract] Objective To explore the application value of deep learning reconstruction (DLR) technology in enhancing the image quality and reducing the scan time of fast-spin echo proton density weighted imaging (FSE-PD) in MRI of the temporomandibular joint (TMJ).Materials and Methods Recruit 40 healthy volunteers and undergo MRI scans of the TMJ. Each healthy volunteer underwent conventional FSE-PD MRI scans and accelerated FSE-PD scans using DLR, the original accelerated FSE-PD images without DLR were simultaneously preserved. Two radiologists qualitatively and quantitatively evaluated the image quality of the three FSE-PD image sets, individually. Qualitative assessments utilized a Likert scale (5-point) for subjective scoring of anatomical structure clarity and overall image quality. Quantitative assessments utilized signal-to-noise ratio (SNR) and contrast-to-noise ratio (CNR) for objective evaluation of image quality. One-way ANOVA and Kruskal-Wallis test were used to compare the differences in subjective scores and objective indicators among the three groups. The intra-class correlation coefficient (ICC) was used to evaluate the consistency of the subjective scores of the two radiologists.Results Compared to the conventional FSE-PD group, the DLR-accelerated FSE-PD group demonstrated a 67% reduction in scan time. The two radiologists exhibited good consistency in subjective scores for anatomical structure clarity and overall image quality (ICC of 0.80 and 0.78, respectively). There were significant differences in anatomical clarity and overall image quality scores among the conventional FSE-PD group, accelerated FSE-PD group, and DLR-accelerated FSE-PD group (P<0.05). The differences in SNR and CNR among the three FSE-PD groups were statistically significant (P<0.05). Qualitative and quantitative evaluation results for the DLR-accelerated FSE-PD group were both significantly superior to the conventional FSE-PD group.Conclusions DLR technology could shorten the scanning time of conventional FSE-PD MRI of the TMJ, enhance image quality, and help patients complete the examination faster.
[关键词] 颞下颌关节;深度学习;图像重建;磁共振成像;图像质量
[Keywords] temporomandibular joint;deep learning;image reconstruction;magnetic resonance imaging;image quality

王春杰 1, 2   单艺 1, 2   张越 1, 2   武春雪 1, 2   刘灿 1, 2   王静娟 1, 2   吴涛 3   葛献鹏 4   卢洁 1, 2*  

1 首都医科大学宣武医院放射与核医学科,北京 100053

2 磁共振成像脑信息学北京市重点实验室,北京 100053

3 通用电气医疗(中国)有限公司临床市场部,北京 100176

4 首都医科大学宣武医院口腔科,北京 100053

通信作者:卢洁,E-mail: imaginglu@hotmail.com

作者贡献声明:卢洁设计本研究的方案,并对稿件的重要内容进行了修改;王春杰起草和撰写稿件,获取、分析并解释本研究的数据;刘灿、单艺、张越、武春雪、王静娟、葛献朋、吴涛获取、分析或解释本研究的数据,对稿件重要内容进行了修改;卢洁获得了宣武医院汇智人才工程-支持计划-领军人才项目资助,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。


基金项目: 宣武医院汇智人才工程-支持计划-领军人才项目 HZ2021ZCLJ005
收稿日期:2024-03-29
接受日期:2024-09-06
中图分类号:R445.2  R782.6 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2024.10.002
本文引用格式:王春杰, 单艺, 张越, 等. 基于深度学习的图像重建在提高颞下颌关节MRI图像质量中的初步应用研究[J]. 磁共振成像, 2024, 15(10): 3-7, 21. DOI:10.12015/issn.1674-8034.2024.10.002.

0 引言

       颞下颌关节MRI提供了良好的骨与软组织对比度[1],可以高精度地评估下颌窝、关节盘、髁突等解剖结构细节及其异常改变。目前已作为诊断颞下颌关节相关疾病及是否存在关节积液的金标准[2]。常规颞下颌关节MRI检查包括张口位、闭口位两种状态下的斜矢状位快速自旋回波-质子密度加权成像(fast-spin echo proton density weighted imaging, FSE-PD)[3],扫描过程所需时间较长,尤其是进行张口位扫描时患者常常由于无法维持长时间张口状态,从而产生头面部及颞下颌关节的不适运动,导致扫描图像产生运动伪影[4],因此保证图像质量并缩短扫描时间是颞下颌关节MRI检查中亟待解决的问题。

       一直以来,MRI快速成像方法不断被提出,如并行采集[5, 6]、压缩感知等[7, 8, 9],但此类方法在实现更快成像速度的同时也会牺牲图像的信噪比(signal-to-noise ratio, SNR)[10],导致图像模糊。最近,深度学习重建(deep learning reconstruction, DLR)技术逐渐应用于MRI中[11],其能够在保证图像质量的前提下缩短扫描时间[12]。国内外有关DLR应用于临床的研究主要涉及脊柱[13, 14]、骨关节[15, 16]、海马[17]、膀胱[18]、前列腺[19, 20, 21]等部位,研究结果表明,应用DLR快速扫描序列的图像相比于常规序列具有更好的整体图像质量,在检测病变方面DLR快速扫描序列与常规序列具有良好的一致性[12]。目前尚没有研究评估颞下颌关节MRI应用DLR技术的可行性,并探索其对于提高图像质量和缩短扫描时间的价值。

       本研究通过定性和定量评估比较常规FSE-PD序列与是否施加DLR技术的快速FSE-PD序列的图像质量和扫描时间,初步探索DLR技术在颞下颌关节MRI中的可行性和临床应用价值,有助于缩短颞下颌关节疾病患者检查时间,提高检查舒适度和成功率。

1 材料与方法

1.1 研究对象

       本研究于2023年3月10日至2023年4月30日期间社会招募健康志愿者,进行颞下颌关节MRI扫描。纳入标准:(1)年龄大于18周岁;(2)无种植牙等不可摘除的口腔植入物。排除标准:(1)存在MRI扫描禁忌证;(2)检查过程出现躁动或严重图像运动伪影者。本研究遵守《赫尔辛基宣言》,经首都医科大学宣武医院医学伦理委员会批准,批文文号:临械审(2023)019号,全体受试者均签署知情同意书。

       本研究使用先验分析评估纳入健康志愿者的最小数量,检验水准为0.05,检验功效为0.8。

1.2 设备与方法

       所有研究对象采用3.0 T MR扫描仪(SIGNA Premier, GE Healthcare, Milwaukee, USA)进行扫描,扫描使用48通道头颅线圈(原机自带)。取仰卧位,头先进方式,中心线位于双侧外耳道连线中点。常规序列包括包括张口位、闭口位两种状态下的斜矢状位FSE-PD序列。试验序列包括张口位、闭口位两种状态下的斜矢状位快速FSE-PD序列及DLR快速FSE-PD序列。

       DLR利用一个深度卷积神经网络(convolutional neural network, CNN)处理k空间数据,输出图像。这个深度卷积神经网络包含约1万个卷积核,共约440万参数,被训练来识别和区分图像中的噪声和截断伪影(如Gibbs现象产生的环状伪影)。它不是简单地抑制这些伪影,而是将其作为缺失信息的指示,进行有效的插值和补偿[10]

       DLR快速FSE-PD序列图像由直接安装于MRI扫描仪的DLR软件进行重建获得,扫描结束后系统自动保存未施加DLR的快速FSE-PD序列原始图像和施加DLR的快速FSE-PD序列图像。每位健康志愿者分别采集张口位、闭口位状态下的斜矢状位常规FSE-PD序列图像、快速FSE-PD序列图像和DLR快速FSE-PD序列图像。具体扫描参数见表1

表1  常规FSE-PD序列、快速FSE-PD序列、DLR快速FSE-PD序列成像参数
Tab. 1  Conventional FSE-PD, fast FSE-PD and DLR fast FSE-PD imaging sequence parameters

1.3 图像质量评价

1.3.1 图像质量定性评价

       两名分别具有5年(医师1,主治医师)和10年以上(医师2,主任医师)诊断经验的放射科医师在RadiAnt DICOM Viewer软件上独立对每位患者三组FSE-PD序列图像质量及解剖结构清晰度进行主观评分(图1),其中医师1对图像进行两次主观评分以评估观察者内部一致性,两次评分间隔时间为3周,评分标准采用Likert量表5分法(1分为差;2分较差;3分为一般;4分为良好;5分为优秀;当图像质量及解剖结构清晰度差别较小时,相邻评分间给予0.5分的评分)。图像评分过程采用盲法,所有受试者信息、序列参数均未告知两名评分医师,另有一名研究人员负责调出图像并记录两名医师的评分结果。

图1  女,25岁,健康志愿者颞下颌关节MRI图像。1A~1C分别为闭口位状态斜矢状位常规快速自旋回波-质子密度加权(FSE-PD)序列图像、快速FSE-PD序列图像和深度学习重建(DLR)快速FSE-PD序列图像;1D~1F分别为张口位状态斜矢状位常规FSE-PD序列图像、快速FSE-PD序列图像和DLR快速FSE-PD序列图像;与常规FSE-PD序列图像(1A、1D:图像质量4分、解剖结构清晰度5分)相比,使用减少扫描时间的快速FSE-PD序列图像(1B、1E:图像质量3分,解剖结构清晰度4分)显示出更高的噪声水平和较差的解剖结构清晰度,而使用DLR技术的快速FSE-PD序列图像(1C、1F:图像质量及解剖结构清晰度均为5分)降低了噪声,增加了解剖结构清晰度,获得了更高的图像质量评分。
Fig. 1  MRI images of the temporomandibular joint of a 25-year-old female healthy volunteer. 1A-1C are conventional fast-spin echo proton density weighted imaging (FSE-PD) sequence images, fast FSE-PD sequence images, and deep learning reconstruction (DLR) fast FSE-PD sequence images in the closed-mouth oblique sagittal position, respectively; 1D-1F are conventional FSE-PD sequence images, fast FSE-PD sequence images, and DLR fast FSE-PD sequence images in the open-mouth oblique sagittal position, respectively; compared with conventional FSE-PD sequence images (1A, 1D: image quality 4 points, anatomical structure clarity 5 points), fast FSE-PD sequence images with reduced scanning time (1B, 1E: image quality 3 points, anatomical structure clarity 4 points) show higher noise levels and poor anatomical structure clarity, while fast FSE-PD sequence images using DLR technology (1C, 1F: image quality and anatomical structure clarity are 5 points) reduced noise, increased anatomical structure clarity, and obtained higher image quality scores.

1.3.2 图像质量定量评价

       医师1与医师2共同在ADW 4.7工作站上阅片,分别在髁突、咬肌、皮下脂肪及背景区域放置感兴趣区域(region of interest, ROI),测量并记录每个ROI的平均信号强度(signal intensity, SI)和噪声(standard deviation, SD),并计算髁突、咬肌、皮下脂肪的SNR以及髁突/咬肌、皮下脂肪/咬肌的对比噪声比(contrast-to-noise ratio, CNR)。两名医师对于ROI的放置通过协商达成一致,每次测量放置ROI的位置、面积在同一患者不同序列间保持相同。髁突、咬肌、皮下脂肪的SNR以及髁突/咬肌、皮下脂肪/咬肌的CNR计算公式见式(1)~(2)。

       其中SI目标和SI咬肌分别代表测量目标(髁突、皮下脂肪)及咬肌ROI内的SI值,SD背景是相应层面背景区域ROI内的SD值。

1.4 统计学分析

       采用SPSS 24.0软件进行统计学分析。采用Shpiro-Wilk检验定量资料的正态性,符合正态分布的定量资料采用均数±标准差表示;不符合正态分布的定量数据采用中位数(上下四分位数)表示。定性资料采用中位数(上下四分位数)表示。采用单因素方差分析和Kruskal-Wallis检验比较三组图像主观评分和客观指标的差异。采用组内相关系数(intra-class correlation coefficient, ICC)评估两名医师主观评分的一致性,ICC>0.75代表一致性较好。P<0.05表示差异有统计学意义。

2 结果

2.1 一般资料及扫描时间

       根据先验分析,本研究最少需要纳入健康志愿者30名,实际共纳入健康志愿者40名,男23名,女17名,年龄25~53(34±9)岁。常规FSE-PD组扫描时间为1 min 51 s、快速FSE-PD组和DLR快速FSE-PD组扫描时间为36 s,与常规FSE-PD组比较,快速FSE-PD组和DLR快速FSE-PD组扫描时间缩短了67%。

2.2 图像质量定性评价

       两名医师对于常规FSE-PD、快速FSE-PD、DLR快速FSE-PD三组图像质量、解剖结构清晰度主观评分的一致性较好,ICC值分为0.78 [95% 置信区间(confidence interval, CI):0.70~0.84]、0.80(95% CI: 0.72~0.85);医师1对三组图像两次主观评分的一致性结果较好,图像质量及解剖结构清晰度的ICC分别为0.92(95% CI: 0.84~0.96)、0.95(95% CI: 0.91~0.98)。两名医师的主观评分结果均显示(表2),三组FSE-PD序列图像的图像质量和解剖结构清晰度差异具有统计学意义,多重比较结果显示任意两组之间的图像质量和解剖结构清晰度评分差异均具有统计学意义,DLR快速FSE-PD组的图像质量和解剖结构清晰度明显优于常规FSE-PD组和快速FSE-PD组。

表2  三组FSE-PD序列图像医师1、医师2的主观评分比较
Tab. 2  Comparison of subjective scores of doctors 1 and 2 in three groups of FSE-PD sequence images

2.3 图像质量定量评价

       三组FSE-PD序列图像不同组织SNR、CNR差异具有统计学意义(表3),多重比较结果显示任意两组间的SNR、CNR值差异均具有统计学意义,DLR快速FSE-PD组的SNR和CNR值显著高于常规FSE-PD组和快速FSE-PD组。

表3  三组FSE-PD序列图像不同组织SNR、CNR比较
Tab. 3  Comparison of SNR and CNR of different tissues in three groups of FSE-PD sequence images

3 讨论

       本研究将DLR技术应用于颞下颌关节MRI中,研究比较了常规FSE-PD序列、快速FSE-PD序列和DLR快速FSE-PD序列对于颞下颌关节MRI图像质量和扫描时间的影响,结果显示,应用DLR技术可以明显缩短MRI扫描时间,DLR快速FSE-PD组比常规FSE-PD组的扫描时间缩短约67%。在图像质量方面,应用DLR技术可以明显提高MRI图像质量,DLR快速FSE-PD组的整体图像质量最好,对于颞下颌关节髁突、关节盘及下颌窝解剖结构的显示清晰度最高;在客观评价指标方面,DLR快速FSE-PD组的SNR和CNR显著高于常规FSE-PD组和快速FSE-PD组,这表明DLR技术可以通过促进快速扫描序列的临床应用,使颞下颌关节MRI检查患者更快完成检查成为可能。

3.1 DLR缩短颞下颌关节MRI扫描时间

       根据最新的颞下颌关节常规MRI检查规范专家共识[3],为满足对颞下颌关节紊乱病的诊断和治疗,颞下颌关节多参数MRI扫描序列时间通常大于15 min,较长的检查时间易导致患者耐受性下降,尤其是进行张口位扫描时患者由于无法长时间维持张口状态,容易产生头面部及颞下颌关节的不适运动,从而导致扫描图像运动伪影增加,影响检查效果和临床诊断。最近的研究表明,DLR技术较常规序列可显著缩短扫描时间,在脊柱[13, 14]、膝关节[15, 16]、膀胱[18]、前列腺[22, 23]、颅脑[24]、肩关节[25]MRI中,应用DLR技术可将检查时间缩短32%~70%。本研究保持其他扫描参数不变,通过降低激发次数,使得DLR快速FSE-PD组比常规FSE-PD组的扫描时间明显减少。目前本研究仅评估了斜矢状位PD序列,若按照颞下颌关节常规MRI检查规范专家共识,在斜矢状位、斜冠状位的PD和T2WI序列上均应用DLR技术,有望使得颞下颌关节常规MRI检查整体扫描时间大幅缩短,有助于患者更快地完成检查,从而在一定程度上减少检查过程中不适运动的产生,提高患者进行该检查的舒适度和配合度。

3.2 DLR提高颞下颌关节MRI图像质量

       本研究结果显示,DLR快速FSE-PD组的图像质量、解剖结构清晰度、SNR和CNR均显著高于常规FSE-PD组和快速FSE-PD组。这得益于DLR集成的降噪算法,该技术使用深度学习的方式,在原始数据采集阶段对数据中的信号和噪声进行分析,通过分析包括相位、幅值、能量、熵值等特征,做到噪声的靶向剔除,实现有效信号和噪声的分离,从而大幅提升图像的SNR和CNR,提高图像质量[10];由于CNR体现了组织间的对比,通过提升CNR可使得病灶和背景之间的灰度差异更加明显,从而有助于凸显病灶,提高诊断性能。目前,DLR已应用于神经、骨肌、循环、消化、泌尿、生殖等多个系统的多部位MRI检查中,KIM等[26]的研究结果显示,在垂体腺瘤的术后MRI评估中,基于DLR技术重建的图像在诊断是否存在海绵窦侵犯方面的性能优于常规图像,而在诊断是否存在术后肿瘤残余方面的性能与常规图像相当。在脊柱MRI中[13],应用DLR技术的TSE序列提供了出色的脊柱MRI图像质量,在诊断病变方面,应用DLR重建的TSE序列可与常规TSE序列互换用于检测脊柱MRI的各种异常。在心脏成像方面,心肌延迟强化对心肌纤维化的评价十分重要,MUSCOGIURI等[27]和 VAN DER VELDE等[28]的研究表明,应用DLR技术可以显著提高心肌延迟强化图像的对比度,减少图像的噪声,从而提高诊断性能。在肝脏MRI中[29],基于DLR技术的肝脏屏气T2WI能够获得与常规T2WI相当的诊断信息和图像质量。在膀胱癌患者MRI检查中[18],患者在憋尿状态下容易产生运动伪影,应用DLR的快速T2WI序列与常规T2WI相比可以在更短的时间内提供更高的图像质量。此外,在有关生殖系统的DLR研究中[30],基于DLR的高分辨单激发快速自旋回波图像相比于常规图像可以更好地显示卵泡,改善医师对卵巢卵泡数的评估。多项研究表明DLR技术在提高MRI图像质量方面具有重要价值,并显示出增强疾病检测能力的潜力。

       然而,DLR技术在颞下颌关节MRI中的应用价值尚不明确,目前尚没有研究将DLR技术应用于颞下颌关节这种关节结构较小、受运动伪影干扰较大的检查中。因此,本研究通过比较常规FSE-PD序列、快速FSE-PD序列与DLR快速FSE-PD序列图像质量、SNR、CNR等定性及定量指标,探讨DLR技术对颞下颌关节MRI图像质量的影响。在本研究中,快速FSE-PD序列组的整体图像质量明显低于常规FSE-PD序列组,而应用DLR技术显著提高了快速FSE-PD序列组的整体图像质量,结果显示DLR快速FSE-PD序列组的主观评分、解剖结构清晰度、SNR及CNR均显著高于快速FSE-PD序列组,同时也高于常规FSE-PD序列组,充分证明了DLR技术可用于提高颞下颌关节快速扫描序列的MRI图像质量。

3.3 局限性及展望

       本研究也存在一定局限性。本研究仅对健康志愿者的颞下颌关节MRI图像进行定性和定量评价,下一步将纳入患有颞下颌关节疾病的患者,从而进一步验证基于DLR技术的图像重建对提高颞下颌关节MRI图像质量的价值。此外,本研究仅评估了DLR技术对斜矢状位断面PD序列图像质量的影响,并没有评估DLR技术对斜矢状位T2WI序列及斜冠状位PD序列、T2WI序列图像质量的影响。由于评估所有序列会明显增加检查时间,在临床实践中有一定的困难,所以本研究目前仅选择了颞下颌关节MRI诊断中较为重要的斜矢状位断面及PD序列进行研究;但本研究的结果为DLR技术在颞下颌关节MRI检查不同断面及序列上的应用价值提供了理论依据,在后续研究中将进一步分析颞下颌关节常规MRI检查规范专家共识中所提及的所有断面及序列。

4 结论

       综上所述,DLR技术可提高颞下颌关节MRI常规FSE-PD序列图像SNR及CNR,提高图像质量,并且可显著缩短扫描时间,有助于帮助颞下颌关节MRI检查患者更快完成检查。

[1]
XIONG X, YE Z, TANG H H, et al. MRI of temporomandibular joint disorders: recent advances and future directions[J]. J Magn Reson Imaging, 2021, 54(4): 1039-1052. DOI: 10.1002/jmri.27338.
[2]
YıLMAZ D, KAMBUROĞLU K. Comparison of the effectiveness of high resolution ultrasound with MRI in patients with temporomandibular joint dısorders[J/OL]. Dentomaxillofac Radiol, 2019, 48(5): 20180349 [2024-03-28]. https://pubmed.ncbi.nlm.nih.gov/30810356/. DOI: 10.1259/dmfr.20180349.
[3]
傅开元, 胡敏, 余强, 等. 颞下颌关节常规MRI检查规范及关节盘移位诊断标准的专家共识[J]. 中华口腔医学杂志, 2020, 55(9): 608-612. DOI: 10.3760/cma.j.cn112144-20200514-00268.
FU K Y, HU M, YU Q, et al. Experts consensus on MRI examination specification and diagnostic criteria of temporomandibular joint disc displacement[J]. Chin J Stomatol, 2020, 55(9): 608-612. DOI: 10.3760/cma.j.cn112144-20200514-00268.
[4]
高萍, 金川, 王磊, 等. 颞下颌关节3种高清类动态序列成像质量评价[J]. 中国医学科学院学报, 2023, 45(1): 50-56. DOI: 10.3881/j.issn.1000-503X.15078.
GAO P, JIN C, WANG L, et al. Quality evaluation of temporomandibular joint images from 3 high-resolution dynamic sequences[J]. Acta Acad Med Sin, 2023, 45(1): 50-56. DOI: 10.3881/j.issn.1000-503X.15078.
[5]
JIN K H, LEE D, YE J C. A general framework for compressed sensing and parallel MRI using annihilating filter based low-rank Hankel matrix[J]. IEEE Trans Comput Imag, 2016, 2(4): 480-495. DOI: 10.1109/TCI.2016.2601296.
[6]
SHIN P J, LARSON P E, OHLIGER M A, et al. Calibrationless parallel imaging reconstruction based on structured low-rank matrix completion[J]. Magn Reson Med, 2014, 72(4): 959-970. DOI: 10.1002/mrm.24997.
[7]
JUNG H, SUNG K, NAYAK K S, et al. K-t FOCUSS: a general compressed sensing framework for high resolution dynamic MRI[J]. Magn Reson Med, 2009, 61(1): 103-116. DOI: 10.1002/mrm.21757.
[8]
IUGA A I, ABDULLAYEV N, WEISS K, et al. Accelerated MRI of the knee. Quality and efficiency of compressed sensing[J/OL]. Eur J Radiol, 2020, 132: 109273 [2024-03-28]. https://pubmed.ncbi.nlm.nih.gov/32957000/. DOI: 10.1016/j.ejrad.2020.109273.
[9]
BRATKE G, RAU R, WEISS K, et al. Accelerated MRI of the lumbar spine using compressed sensing: quality and efficiency[J/OL]. J Magn Reson Imaging, 2019, 49(7): e164-e175 [2024-03-28]. https://pubmed.ncbi.nlm.nih.gov/30267462/. DOI: 10.1002/jmri.26526.
[10]
LEBEL R M. Performance characterization of a novel deep learning-based MR image reconstruction pipeline[EB/OL]. 2020: arXiv: 2008.06559. http://arxiv.org/abs/2008.06559
[11]
KIRYU S, AKAI H, YASAKA K, et al. Clinical impact of deep learning reconstruction in MRI[J/OL]. Radiographics, 2023, 43(6): e220133 [2024-03-28]. https://pubmed.ncbi.nlm.nih.gov/37200221/. DOI: 10.1148/rg.220133.
[12]
严福华. 深度学习MRI重建算法的临床应用和发展前景[J]. 磁共振成像, 2023, 14(5): 8-10. DOI: 10.12015/issn.1674-8034.2023.05.002.
YAN F H. The clinical application and development prospect of deep learning MRI reconstruction algorithm[J]. Chin J Magn Reson Imag, 2023, 14(5): 8-10. DOI: 10.12015/issn.1674-8034.2023.05.002.
[13]
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 [2024-03-28]. https://pubmed.ncbi.nlm.nih.gov/36318032/. DOI: 10.1148/radiol.212922.
[14]
SUN S, TAN E T, MINTZ D N, et al. Evaluation of deep learning reconstructed high-resolution 3D lumbar spine MRI[J]. Eur Radiol, 2022, 32(9): 6167-6177. DOI: 10.1007/s00330-022-08708-4.
[15]
JOHNSON P M, LIN D J, ZBONTAR J, et al. Deep learning reconstruction enables prospectively accelerated clinical knee MRI[J/OL]. Radiology, 2023, 307(2): e220425 [2024-03-28]. https://pubmed.ncbi.nlm.nih.gov/36648347/. DOI: 10.1148/radiol.220425.
[16]
武夏夏, 陆雪芳, 刘昌盛, 等. 深度学习图像重建算法在膝关节加速MRI中的临床应用研究[J]. 磁共振成像, 2023, 14(5): 53-59. DOI: 10.12015/issn.1674-8034.2023.05.011.
WU X X, LU X F, LIU C S, et al. Clinical feasibility of 2D FSE sequences of the knee MRI protocol using deep-learning image reconstruction[J]. Chin J Magn Reson Imag, 2023, 14(5): 53-59. DOI: 10.12015/issn.1674-8034.2023.05.011.
[17]
杨晶, 李琼阁, 吴涛, 等. 深度学习重建法提高磁共振高分辨海马冠状位图像质量的比较研究[J]. 磁共振成像, 2023, 14(5): 21-24, 30. DOI: 10.12015/issn.1674-8034.2023.05.005.
YANG J, LI Q G, WU T, et al. A comparative study on the enhancement of high resolution coronal image quality by deep learning reconstruction[J]. Chin J Magn Reson Imag, 2023, 14(5): 21-24, 30. DOI: 10.12015/issn.1674-8034.2023.05.005.
[18]
张馨心, 王绎忱, 王思聪, 等. 深度学习重建技术在膀胱癌MRI临床应用中的可行性研究[J]. 磁共振成像, 2023, 14(5): 36-40. DOI: 10.12015/issn.1674-8034.2023.05.008.
ZHANG X X, WANG Y C, WANG S C, et al. Feasibility study of deep learning reconstruction in the clinical application of MRI in bladder cancer[J]. Chin J Magn Reson Imag, 2023, 14(5): 36-40. DOI: 10.12015/issn.1674-8034.2023.05.008.
[19]
PARK J C, PARK K J, PARK M Y, et al. Fast T2-weighted imaging with deep learning-based reconstruction: evaluation of image quality and diagnostic performance in patients undergoing radical prostatectomy[J]. J Magn Reson Imaging, 2022, 55(6): 1735-1744. DOI: 10.1002/jmri.27992.
[20]
可赞, 李亮, 宋鑫洋,等. 基于深度学习重建技术改善前列腺T2WI图像质量的研究[J]. 磁共振成像, 2023, 14(05): 41-7. DOI: 10.12015/issn.1674-8034.2023.05.009.
KE Z, LI L, SONG X Y, et al. Novel deep learning-based T2-weighted imaging of the prostate provides superior image quality[J]. Chin J Magn Reson Imaging, 2023, 14(5): 41-47. DOI: 10.12015/issn.1674-8034.2023.05.009.
[21]
UEDA T, OHNO Y, YAMAMOTO K, et al. Deep learning reconstruction of diffusion-weighted MRI improves image quality for prostatic imaging[J]. Radiology, 2022, 303(2): 373-381. DOI: 10.1148/radiol.204097.
[22]
JOHNSON P M, TONG A, DONTHIREDDY A, et al. Deep learning reconstruction enables highly accelerated biparametric MR imaging of the prostate[J]. J Magn Reson Imaging, 2022, 56(1): 184-195. DOI: 10.1002/jmri.28024.
[23]
王绎忱, 张馨心, 胡满仓, 等. 深度学习重建技术在优化前列腺磁共振T2加权成像扫描时间和图像质量中的应用价值[J]. 磁共振成像, 2023, 14(5): 48-52, 59. DOI: 10.12015/issn.1674-8034.2023.05.010.
WANG Y C, ZHANG X X, HU M C, et al. Value of deep learning reconstruction in optimizing prostate MR T2-weighted imaging scanning time and imaging quality[J]. Chin J Magn Reson Imag, 2023, 14(5): 48-52, 59. DOI: 10.12015/issn.1674-8034.2023.05.010.
[24]
KIM E, CHO H H, CHO S H, et al. Accelerated synthetic MRI with deep learning-based reconstruction for pediatric neuroimaging[J]. AJNR Am J Neuroradiol, 2022, 43(11): 1653-1659. DOI: 10.3174/ajnr.A7664.
[25]
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.
[26]
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.
[27]
MUSCOGIURI G, MARTINI C, GATTI M, et al. Feasibility of late gadolinium enhancement (LGE) in ischemic cardiomyopathy using 2D-multisegment LGE combined with artificial intelligence reconstruction deep learning noise reduction algorithm[J/OL]. Int J Cardiol, 2021, 343: 164-170 [2024-03-28]. https://pubmed.ncbi.nlm.nih.gov/34517017/. DOI: 10.1016/j.ijcard.2021.09.012.
[28]
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.
[29]
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/OL]. Magn Reson Imaging, 2022, 93: 175-180 [2024-03-28]. https://pubmed.ncbi.nlm.nih.gov/35987419/. DOI: 10.1016/j.mri.2022.08.012.
[30]
YANG R J, ZOU Y J, LIU W V, et al. High-resolution single-shot fast spin-echo MR imaging with deep learning reconstruction algorithm can improve repeatability and reproducibility of follicle counting[J/OL]. J Clin Med, 2023, 12(9): 3234 [2024-03-28]. https://pubmed.ncbi.nlm.nih.gov/37176674/. DOI: 10.3390/jcm12093234.

上一篇 深度学习MRI重建算法临床应用新进展述评
下一篇 基于磁共振深度学习图像重建算法的心肌延迟强化在未识别心肌梗死中的应用
  
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