0 引言

       根据最新的全球癌症统计数据，肺癌仍然是全球癌症相关死亡的主要原因，2020年有180万人死于肺癌^[1]。目前，CT是诊断肺部病变的主要工具，但始终受限于电离辐射。MRI作为一种无创伤、无电离辐射的影像技术，尽管在肺部的应用一直受限，但随着硬件、成像和重建技术的发展，MRI已显示出提供肺部病变形态、功能和代谢信息的能力。扩散加权成像（diffusion weighted imaging, DWI）是评估疾病的一种先进的MRI技术。然而，DWI对主磁场不均匀十分敏感，极易产生磁敏感伪影^[2]。多路复用敏感度编码技术（multiplexed sensitivity encoding, MUSE）作为改进的DWI技术可以减少图像失真^[3]。但想要获得足够的信噪比（signal-to-noise ratio, SNR），就会增加扫描的时间成本。近年来，深度学习在放射学领域的应用不断取得进展。压缩感知和并行成像可对欠采样图像进行后处理以提高图像质量^{[4, 5]}，但过度欠采样会掩盖微小的病理改变或导致图像结构扭曲^[6]。MRI图像的传统重建（conventional reconstruction, ConR）主要是基于K空间数据采集和重建，往往会产生图像伪影和低SNR。基于此，我们可通过K空间数据的深度学习重建（deep learning reconstruction, DLR）方法来提高图像质量。商用版的DLR算法（AIR^TM Recon DL, GE Healthcare）可在不增加扫描时间的情况下显著降低噪声水平^[7]。与ConR相比，DLR能显著提高乳腺^[8]、直肠^[9]、腰椎^[10]、肝脏^[11]和前列腺^{[7, 12]}的图像质量，并可能对ADC定量产生影响。DUAN等^[13]曾使用卷积神经网络模型（CasNet）应用于欠采样肺部MRI，提高了肺部MRI的图像质量，但因采样不足反而会丢失肺部重要细节。

       因此，本研究旨在探究基于K空间数据的DLR对提高肺部DWI图像整体质量的能力以及在鉴别肺部病变良恶性诊断性能的作用，为存在肺部病变患者提供更可靠的MRI技术，在无创无辐射条件下尽早确定肺部病变类型提供参考依据，从而制订精准的治疗方案。

1 材料与方法

1.1 研究对象

       本前瞻性研究遵循《赫尔辛基宣言》，并通过上海长征医院医学伦理委员会批准（批准文号：2023SL028），受试者均已签署知情同意书。该研究共纳入2023年1月至2023年10月期间在上海长征医院就诊并行CT检查的61名肺部病变患者。

       纳入标准：既往胸部CT提示至少有一个肺部结节且最大病灶大于5 mm的患者、肺癌高危人群。排除标准：（1）有MRI检查禁忌证；（2）有胸腔手术史者；（3）有中枢性呼吸道损伤等神经系统疾病，无法正常吸气和憋气者；（4）有咳嗽、憋气，无法正常吸气和憋气者；（5）临床医务人员认为不适合进行肺部MRI检查的其他情况；（6）中途退出该研究的患者。

1.2 肺部MRI检查

       所有患者均在接受治疗前完成MRI检查，所有MRI图像均在3.0 T扫描仪（SIGNA Premier; GE Healthcare, Milwaukee, USA）上使用21通道AIR^TM柔性线圈获得。所有患者均进行肺部常规T2WI和MUSE DWI序列的扫描。T2WI：重复时间2400~5455 ms，回波时间85 ms，视野42 cm×42 cm，矩阵300×300，层厚4 mm，层数39，平均次数1，空间分辨率1.4×1.4，扫描时间2 min 21 s~4 min 46 s；MUSE DWI：重复时间2222~6316 ms，回波时间53.6 ms，视野36 cm×36 cm，矩阵148×148，层厚4 mm，层数13，b值=0、50、800 s/mm²，平均次数2，空间分辨率2.4×2.4，扫描时间2 min 21 s~5 min 41 s。每位患者的DWI图像分别使用ConR和DLR 重建。DLR技术采用AIR^TM Recon DL技术（GE Healthcare, Milwaukee, USA）^[14]，为一种基于超过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。

1.3 图像分析

       所有评估均在GE的图像后处理工作站上进行（AW4.7; GE Healthcare, Milwaukee, USA）。影像分析（包括主观评分和客观评价）均由2名分别均有4年工作经验的放射科住院医师和10年以上工作经验的放射科副主任医师独立完成。2名医师均对患者的临床信息不知情。

1.3.1 主观评分

       DWI图像（b值=800 s/mm²）的整体图像质量使用李克特5分法进行视觉评价：1分，图像质量差（重噪声/伪影，无法检测病变，无病变解剖细节）；2分，图像质量一般（噪声/伪影高于平均水平，病变边缘不清晰，几乎看不到病变的解剖细节，临床实用性较差）；3分，图像质量中等（可接受的平均噪声/伪影，病变边缘完整，病变解剖细节可见）；4分，图像质量良好（噪声/伪影低于平均水平，病变描述清晰，病变解剖细节更好）；5分，图像质量优秀（伪影/噪音最小，病变描述清晰，病变解剖细节显示清晰）。

1.3.2 客观评价

       使用SNR和对比噪声比（contrast-to-noise ratio, CNR）客观评估肺部病变的DWI图像质量。参照T2WI图像，沿着病变边缘手动勾画病变感兴趣区（region of interest, ROI），避开坏死、囊肿和出血区域（图1A）。分别在胸壁肌肉和肺实质上勾画大小在50 mm²左右的环形ROI（图1A）。环形ROI位于病灶的同一切面上，远离血管、气道和病灶。提取所有ROI内DWI信号强度（signal, SI）的平均值和标准差值（standard deviation, SD）用于计算图像病灶的SNR以及CNR[式（1）~（2）]^[15]。

       同时，使用工作站对 ADC 图进行拟合。然后将DWI图像上的病变ROI复制到ADC图中以获得相应的病变ADC平均值（图1B）。

点击查看大图

图1  ROI的勾画过程。1A：DWI图像，1B：DWI ADC图像。在病灶显示最大的层面，沿病灶边缘勾画ROI，尽量避开坏死、囊肿和出血，并将病灶的ROI复制到对应ADC图上用以记录ADC值。其次在肺实质上勾画三个环形ROI以取信号平均值，并在胸壁肌肉上勾画同等大小的ROI。图中红色代表病灶的ROI，蓝色代表肺实质ROI，黄色代表胸壁肌肉ROI。ROI：感兴趣区；DWI：扩散加权成像；ADC：表观扩散系数。
Fig. 1  The process of outlining the ROI. 1A: DWI image; 1B: DWI ADC image. At the level where the lesion shows the most, ROIs are outlined along the edges of the lesion, avoiding necrosis, cysts and haemorrhage as much as possible, and the ROIs of the lesion are copied to the corresponding ADC image to record the ADC values. Next, three circular ROIs are sketched on the lung parenchyma to average the signals, and ROIs of the same size are sketched on the chest wall muscles. The red represents the ROIs of the lesion, blue represents the ROIs of the lung parenchyma, and yellow represents the ROIs of the chest wall muscles in the figure. ROI: region of interest; DWI: diffusion weighted imaging; ADC: apparent diffusion coefficient.

1.4 统计学分析

       所有数据均采用SPSS（version 25.0, IBM, NY, USA）和MedCalc（version 22.0, Mariakerke, Belgium）软件进行统计学分析。采用Kolmogorov-Smirnov检验对定量资料进行正态分布和方差齐性检验。正态分布的定量资料用平均值±标准差描述，偏态分布的定量资料采用中位数（四分位间距）表示。

       采用Kappa分析评估两种序列的主观评分在测量者间的一致性（0.00≤Kappa≤0.20，一致性较差；0.20<Kappa≤0.40，基本一致；0.40<Kappa≤0.60，一致性中等；0.60<Kappa≤0.80，一致性较好；0.80<Kappa≤1.00，一致性极佳）^[16]。类相关系数（intra-class correlation coefficient, ICC）用于评估客观测量值在测量者间的一致性（ICC<0.40，一致性较差；0.40≤ICC<0.75，一致性一般；ICC≥0.75，一致性极好）。使用t检验比较良性病变患者和恶性病变患者之间年龄、病灶大小的差异，卡方检验评价两组间的性别差异。采用Wilcoxon秩和检验比较DLR DWI、ConR DWI两种序列在SNR、CNR、ADC以及主观评分间的差异。采用Mann-Whitney检验比较ADC定量值在良性和恶性肺部病变之间的差异。采用受试者工作特征（receiver operating characteristics, ROC）曲线评估ADC 值在区分恶性和良性病变方面的性能。并用DeLong检验比较曲线下面积（area under the curve, AUC）的差异。P<0.05为差异有统计学意义。

2 结果

       本研究共纳入了61名患者，其中男38例，女23例，年龄28~81（63.5±11.6）岁。良性病变患者和恶性病变患者的年龄（P=0.167）和性别（P=0.327）差异均无统计学意义。良性病变患者和恶性病变患者间的病灶大小（P=0.001）差异具有统计学意义。根据病理结果，其中49例为恶性病变，包括31例腺癌、11例鳞癌、2例腺鳞癌、2例小细胞癌、2例其他上皮细胞癌、1例淋巴瘤。另外12例为良性病变，包括6例肉芽肿、2例结核、1例炎性结节、1例错构瘤、1例纤维增生、1例神经鞘瘤。患者的基线资料见表1。

2.1 图像主观评分和客观测量值的组间一致性

       如表2所示，图像的主观评分在DLR DWI和ConR DWI上均有较好的测量者间一致性（Kappa>0.60）。对于客观评价值，两组序列的SNR和ADC均有极好的测量者间的一致性（ICC>0.75），而CNR在两组序列上仅有一般的测量者间的一致性（0.40<ICC<0.75）。

点击查看表格

表2  DLR DWI和ConR DWI的客观测量值和主观评分在测量者间的一致性
Tab. 2  Interobserver agreement of objective measurements and subjective scoring for DLR DWI and ConR DWI

2.2 DLR DWI和ConR DWI在主观评分、SNR、CNR以及ADC值中的差异比较

       如表3所示，在主观评分方面，DLR DWI的整体图像质量显著高于ConR DWI（P=0.003）。在客观评价上，与ConR DWI相比，DLR DWI能显著改善图像的SNR（P<0.001）（图2）。虽然DLR DWI的CNR略高于ConR DWI，但差异无统计学意义（P=0.258）。对于定量测量值，DLR DWI的ADC值显著高于ConR DWI，差异具有统计学意义（P=0.017）（图3）。

点击查看大图

图2  男，62岁，右肺下叶实性结节，大小约16 mm，病理证实为肉芽肿性炎。2A：T2WI图像；2B：DLR DWI图像；2C：DLR DWI图像的病灶放大图；2D：DLR ADC图像；2E：CT图像；2F：ConR DWI图像；2G：ConR DWI图像的病灶放大图；2H：ConR ADC图像。图中红色方框代表病灶放大图在整体图像上的放大范围。与ConR相比，整体图像上DLR DWI噪声更小，信号更均匀，噪点少。DLR：深度学习重建；ConR：传统重建；DWI：扩散加权成像；ADC：表观扩散系数。
Fig. 2  A 62 years old man with a solid nodule in the lower lobe of the right lung, about 16 mm in size, pathologically confirmed as granulomatous inflammation. 2A: T2WI image; 2B: DLR DWI image; 2C: Magnification of the lesion on DLR DWI image; 2D: DLR ADC image; 2E: CT image; 2F: ConR DWI image; 2G: Magnification of the lesion on ConR DWI image; 2H: ConR ADC image. The red box in the figure represents the magnification of the lesion magnification on the overall image. Compared to ConR, the overall image of DLR DWI has less noise, more uniform signal, and fewer noise points. DLR: deep learning reconstruction; ConR: conventional reconstruction; DWI: diffusion-weighted imaging; ADC: apparent diffusion coefficient.

点击查看大图

图3  男，70岁，左肺上叶实性结节，大小约31 mm，病理证实为鳞癌。3A：T2WI图像；3B：DLR DWI图像；3C：DLR DWI图像的病灶放大图；3D：DLR ADC图像；3E：CT图像；3F：ConR DWI图像；3G：ConR DWI图像的病灶放大图；3H：ConR ADC图像。图中红色方框代表病灶放大图在整体图像上的放大范围。与ConR相比，整体图像上DLR DWI噪声更小，信号更均匀，噪点少。DLR：深度学习重建；ConR:传统重建；DWI：扩散加权成像；ADC：表观扩散系数
Fig. 3  A 70 years old man with a solid nodule in the upper lobe of the left lung, approximately 31 mm in size, pathologically confirmed to be squamous carcinoma. 3A: T2WI image; 3B: DLR DWI image; 3C: Magnification of the lesion on DLR DWI image; 3D: DLR ADC image; 3E: CT image; 3F: ConR DWI image; 3G: Magnification of the lesion on ConR DWI image; 3H: ConR ADC image. The red box in the figure represents the magnification of the lesion magnification on the overall image. Compared to ConR, the overall image of DLR DWI has less noise, more uniform signal, and fewer noise points. DLR: deep learning reconstruction; ConR: conventional reconstruction; DWI: diffusion-weighted imaging; ADC: apparent diffusion coefficient.

点击查看表格

表3  比较DLR DWI和ConR DWI在客观测量值和主观质量评分间的差异
Tab. 3  Comparison of differences in objective measurements and subjective quality scores between DLR DWI and ConR DWI

2.3 DLR DWI和ConR DWI的ADC值在病变良性和恶性鉴别方面的性能比较

       在良恶性病变的ADC值比较上，DLR DWI的良性病变ADC值[2.12（1.64~2.54）]显著高于恶性病变ADC值[1.29（1.17~1.41）]，差异具有统计学意义（Z=-4.173，P<0.001）。同样，ConR DWI的良性病变的ADC值[1.80（1.32~2.36）]也显著高于恶性病变的ADC值[1.26（1.14~1.47）]，差异具有统计学意义（Z=-3.284，P<0.001）。

       表4和图4显示，DLR DWI和ConR DWI的ADC值在区分肺部良恶性病变的诊断性能分别为0.891和0.808。DLR DWI的诊断性能优于ConR DWI，DeLong检验表明两个序列的鉴别效能差异具有统计学意义（P=0.044）。ConR DWI的ADC阈值为1.466×10^-3 mm²/s时对肺部病变良恶性具有最佳诊断性能，其敏感度为75.5%，特异度为75.0%，准确度为75.4%。而DLR DWI的ADC阈值为1.638×10^-3 mm²/s时对肺部病变良恶性具有最佳诊断性能，其敏感度为89.8%，特异度为83.3%，准确度为88.5%。

点击查看大图

图4  DLR和ConR的ADC值鉴别病变良恶性的ROC曲线。DLR：深度学习重建；ConR：传统重建；ADC：表观扩散系数；ROC：受试者工作特征；AUC：曲线下面积
Fig. 4  ROC curves for distinguishing benign and malignant lesions using ADC values of DLR and ConR. DLR: deep learning reconstruction; ConR: conventional reconstruction; DWI: diffusion-weighted imaging; ROC: receiver operating characteristic; AUC: area under the curve.

点击查看表格

表4  DLR DWI和ConR DWI的ADC定量值鉴别病变良恶性的诊断性能
Tab. 4  Diagnostic performance of ADC quantitative values on DLR DWI and ConR DWI for distinguishing between benign and malignant lesions

点击查看表格

表1  患者基本资料
Tab. 1  Basic patient information

3 讨论

       本研究探索了DLR对肺部DWI图像质量和定量参数的影响，并评估了其对肺部病变良恶性鉴别诊断的效能。结果表明，相较于ConR DWI，DLR DWI能够显著提高图像质量，使图像具有更高的SNR和主观评分，改善了定量参数ADC值的测量，并显著提高了肺部病变良恶性的诊断性能。

3.1 DLR对肺部DWI图像质量的影响

       DWI是多参数胸部MRI中的核心部分^[17]，但肺部DWI的SNR较低，尤其是在较高的b值的情况下^[18]。IIMA等^[18]指出，低SNR对DWI的定量存在影响，足够高的SNR是DWI准确定量评估病变的重要保障。LEE等^[12]和CHEN等^[19]尝试使用DLR提高DWI图像的SNR，结果显示在前列腺和肝脏等器官DLR图像的SNR显著高于ConR。本研究使用与LEE等^[12]和CHEN等^[19]相同的深度学习技术，结果显示在肺部病变中，DLR DWI的SNR显著高于ConR DWI。这是因为这种DLR技术是基于深度卷积网络的训练数据库的训练算法，该算法的优势是可以直接作用于MRI的原始K空间数据，从而提高图像的SNR和锐利度^[7]。此外，在本研究中DLR DWI的CNR高于ConR DWI的，但差异不具有统计学意义（P=0.258）。而之前LEE等和CHEN等的研究中DLR能够显著提高图像的CNR。这可能是LEE等和CHEN等的研究是基于实质性器官前列腺和肝脏，然而本研究主要是基于肺部病变，肺是一个以复杂的组织-空气界面为特征的器官，容易导致磁场不均匀^[17]，进而引起信号的不均匀衰减，使得某些区域的SNR降低，还可能导致图像的几何畸变，这可能会使病变的位置和大小被错误地估计，从而导致CNR不太稳定，使得DLR没能显著提升病变的CNR。

3.2 DLR对肺部DWI定量值的影响

       对于病变的ADC定量参数，本研究显示DLR的ADC显著高于ConR。这与之前在肝脏^[20]和乳腺^[21]的研究结果一致。这可能是由于噪声会对DWI定量产生影响，ConR的低SNR会导致ADC值被低估^[18]。然而，在BAE等^[22]的研究中，采用Siemens提供的一种基于变分网络的DLR算法对腹部进行采样分析，其结果显示ConR的ADC显著高于DLR（P<0.001）。这种差异可能是因为成像的方案不同以及使用不同深度学习技术的原理不同^[23]。此外，对于不同的部位，DLR技术带来的影响也可能并不相同^{[24, 25]}。

3.3 ADC值鉴别肺部病变良恶性

       DWI是肿瘤成像的基本序列，可以作为组织表征、监测和评估治疗反应和复发的定量工具，还可以结合形态学更好地描述病变特征^[17]。ADC作为临床和研究中最常用于肿瘤定量评估的DWI参数，有大量研究证明ADC能够区分肿瘤的良恶性和组织病理亚型^{[26, 27, 28]}。与这些研究一致的是，本研究显示DLR DWI和ConR DWI中良性病变的ADC值均显著高于恶性病变。这可能是由于ADC值往往与肿瘤细胞数量呈负相关。相较于良性病变，恶性病变通常细胞增殖较快，细胞密度较高，细胞外空间减少，导致水分子的扩散运动受到限制，使得良性病变的ADC值均显著高于恶性病变^{[17, 26]}。同理，在肿瘤不同病理组织学上，高分化腺癌的特征性表现为替代生长模式，而低分化腺癌和鳞状细胞癌则表现为大部分实心生长模式，恶性细胞压迫性和扩张性增殖，没有替代生长模式^[29]。因此，高分化腺癌的肿瘤细胞密度可能低于低分化腺癌和鳞状细胞癌，高分化腺癌的ADC值可能高于低分化腺癌和鳞状细胞癌。然而，在UTO等^[30]和GÜMÜŞTAŞ等^[31]的研究中，恶性病变的ADC低于良性病变，但差异不具有统计学意义（P>0.05）。他们将此归因于肺部DWI易受SNR、心脏和呼吸伪影以及磁敏感伪影的影响^{[30, 31]}。除此之外，肿瘤的ADC值会受到DWI图像b值的影响^[18]。UTO等^[30]和GÜMÜŞTAŞ等^[31]均使用的b值为1000 s/mm²，而本研究以及以往有显著差异的研究均使用小于或等于800 s/mm²的b值。不同b值的选择对肺部病变良恶性鉴别的影响还需要进一步研究。

       在肺部病变良恶性的鉴别方面，本研究中DLR和ConR DWI均能显著鉴别良性和恶性肺部病变，诊断性能与既往研究的范围一致（AUC=0.770~0.931）^{[27, 28, 32]}。本研究发现DLR能显著提高ADC定量参数鉴别肺部良恶性病变（P=0.0443）。这可能是由于DLR显著提高了DWI图像的SNR，图像质量的提高有助于提高定量参数的鲁棒性。

3.4 局限性

       此外，本研究还存在一定的局限性。首先，本研究的样本量较小且良恶性病变的样本量不均衡，这可能会影响结果的可靠性，未来还需要扩大研究队列进行验证。其次，由于样本量较小，本研究并没有进行肿瘤病理组织亚型分级和特异性肿瘤亚型的细胞性分析，这些将在未来的大样本量研究中进行。

4 结论

       与ConR方法相比，DLR能在不额外增加扫描时间的情况下，显著提高肺部DWI的SNR并对DWI的定量值ADC有显著影响，从而提高了对肺部病变良恶性的诊断性能。因此，DLR技术的使用有利于肺部DWI的应用。