0 引言

       脑白质高信号（white matter hyperintensity, WMH）是指在颅脑MRI扫描中在脑白质区域表现出的异常高信号病变，在临床上通常将其解释为脑小血管病^{[1, 2]}，其体积大小对评价脑卒中、脑卒中预后和认知功能障碍等具有重要价值^{[3, 4, 5]}。既往文献报道，液体衰减反转恢复（fluid-attenuated inversion-recovery, Flair）序列（具有抑制自由水信号和良好的T2权重对比的特点^{[6, 7]}）是评价WMH体积的重要序列^{[8, 9]}，但是受限于时间、经济等的压力，在神经系统中常规应用的T2 Flair序列分辨率仍有一定的局限性：难以发现微小病灶、WMH的边界显示不清。这显然妨碍了对WMH体积的准确评估。伴随着深度学习重建（deep learning reconstruction, DLR）算法的快速发展及其在磁共振检查中所具有的巨大潜力，已有研究表明深度学习序列可以很好地解决空间分辨率-时间-信噪比（signal-to-noise ratio, SNR）三者间相互制约的问题，尤其是在关节、脊柱和腹部脏器中报道较多^{[10, 11, 12]}。然而国内外研究尚未有将DLR应用于提高T2 Flair图像分辨率、WMH病变显示及图像质量的报道。本研究开创性地通过降低具有内置DLR功能的高分辨T2 Flair序列的相位编码方向参考线来降低因提高分辨率而增加的扫描时间，并将高分辨DLR-T2 Flair图像与高分辨T2 Flair预处理像和常规T2 Flair图像作比较，旨在探讨DLR-T2 Flair在不增加扫描时间的前提下提升图像分辨率、提高WMH病变显示和图像质量中的价值。本研究期望能为临床提供一种全新的、高效的T2 Flair图像扫描方法，用以获得清晰度高、细节丰富的图像，从而显著提升WMH病变的检出效率，为临床早期诊断及治疗提供有力依据。

1 材料与方法

1.1 研究对象

       选取2023年10月至12月在南京医科大学第一附属医院放射科行头颅MRI检查的患者。纳入标准：（1）临床怀疑脑缺血性病变患者；（2）无MRI检查禁忌证。排除标准：（1）存在运动伪影的患者；（2）既往存在颅脑手术史的患者。本研究遵守《赫尔辛基宣言》，经南京医科大学第一附属医院伦理委员会批准，批准文号：2021-SRFA-111。全体受试者均签署了知情同意书。

1.2 检查方法

       所有患者均采用西门子Vida 3.0 T超导型磁共振、20通道头颈联合相控阵线圈。所有患者均扫描常规T2 Flair序列以及施加DLR算法的T2 Flair序列，其中DLR-T2 Flair序列选择开启DLR并保留未经DLR处理而采用常规重建算法的预处理图像和经DLR处理后的图像，三组T2 Flair图像分别记为常规图像、未经DLR处理而采用常规重建算法的预处理图像（Pre-DLR）和DLR图像。参数设置：常规T2 Flair和DLR-T2 Flair的矩阵（读出方向×相位编码方向）分别为320×320和416×345，相位编码参考线数目分别为50和30；其他扫描参数两者均设置如下：FOV 230 mm×180 mm，回波链25，层厚5 mm，加速因子2，带宽200 Hz/像素，TR 9000 ms，TE 93 ms，TI 2510 ms，激励次数1，采集时间均为2 min 6 s。DLR-T2 Flair扫描定位与常规序列保持一致。

1.3 样本量估算

       小样本实验中选取10例符合纳入标准的患者并统计T2 Flair图像常规组、Pre-DLR组和DLR组中WMH的平均数量及标准差。采用Pass统计软件进行样本量估算，选择单因素方差分析检验方法，设定检验水准α=0.05，期望检验功效为0.90。

1.4 图像分析

1.4.1 图像质量主观评价

       由两名具有10年以上神经影像诊断经验的副主任医师采用双盲法进行阅片，对三组T2 Flair图像分别从图像锐利度、灰-白质对比度、脑脊液-脉络丛对比度、WMH病变显示以及整体图像质量五个方面进行评分，采用4点李克特量表（4分为优秀、3分为良好、2分为一般、1分为最差）^[13]对以上主观评价进行评分。其中整体图像质量评分内容包括脑实质显示、脑脊液抑制水平、图像噪声以及图像显示的清晰度。具体评分标准如下：4分代表图像对比度佳、病灶显示清晰、几乎无噪声，3分代表图像对比度良好、病灶显示良好、噪声水平较低，2分代表图像对比度一般、病灶显示模糊、噪声水平一般，1分代表图像对比度差、病灶显示不清、噪声水平高。

1.4.2 图像质量客观评价

       所有数据均在Siemens Syngo.via（VB40B_HF07）软件上进行测量。在每个病例的三组图像中选取面积最大的WMH勾画感兴趣区（region of interest, ROI）并测量其信号强度SIWMH。在此病灶相邻位置正常脑白质处勾画相似大小的ROI，测量脑白质的信号强度SI脑白质。SIWMH和SI脑白质均测量三次，取其平均值为最终信号强度。同时在该层面四个边角空气处勾画ROI，测量其背景信号强度的标准差，取其均值作为背景噪声SI噪声。上述ROI均为圆形，且在三组图像中相应ROI的位置、面积均相同（图1）。分别计算WMH的SNR和对比噪声比（contrast-to-noise ratio, CNR），见式（1）~（2）。

       对WMH病变的检出情况，同样由上述两名诊断医生共同阅片，统计每位患者三组图像中的WMH个数。

点击查看大图

图1  ROI勾画示意图。1A、1B、1C分别为常规图、Pre-DLR图、DLR图。在WMH、脑白质以及背景噪声的测量中，各组ROI一一对应，位置、面积相同。DLR：深度学习重建；Pre-DLR：预处理DLR；WMH：脑白质高信号；ROI：感兴趣区。
Fig. 1  Sketch of ROI delineation. 1A, 1B, and 1C represent the conventional image, the Pre-DLR image, and the DLR image, respectively. During the measurement of WMH, white matter, and background noise, each group of ROIs corresponds one-to-one, with identical positions and areas. DLR: deep learning reconstruction; Pre-DLR: Pre-deep learning reconstruction; WMH: white matter hyperintensity; ROI: region of interest.

1.5 统计学分析

       使用SPSS 24统计软件进行分析，采用Kappa检验评价两名阅片者的一致性（Kappa<0.40为一致性较差；0.40~0.75为一致性中等；>0.75为一致性良好），如一致性较好则采用高年资医生的评分结果；符合正态分布的计量资料采用均数±标准差的形式表示，不符合正态分布的数据以中位数（上、下四分位数）表示，采用Friedman秩和检验进行数据分析，P<0.05时差异有统计学意义。

2 结果

2.1 样本量估算结果

       利用Pass软件对样本量进行估算的结果为不少于48例，最终入组患者50例，其中男27例，女23例，年龄53~90（68.14±9.27）岁。

2.2 图像主观评价结果

       两位医生对三组图像的锐利度、灰-白质对比度、脑脊液-脉络丛对比度、WMH病变显示及整体图像质量上的主观评分均具有良好的一致性（Kappa值均>0.80）。三组图像的锐利度、灰-白质对比、脑脊液-脉络丛对比、WMH显示、整体图像质量评分方面的比较差异均具有统计学意义（P均<0.05），其中DLR组在主观评价中评分最高（表1、图2）。

点击查看大图

图2  三组图像主观评分比较。患者女，69岁，临床怀疑脑缺血性病变。2A和2D为常规T2 Flair图，2B和2E为Pre-DLR T2 Flair图，2C和2F为DLR T2 Flair图。在图像锐利度、灰-白质对比度、脑脊液-脉络丛对比度以及整体图像质量的主观评价中，2A、2B、2C三者的得分分别为（3、3、3、3）、（4、4、3、3）、（4、4、4、4）；在WMH显示方面，2D、2E、2F的评分分别为3、3、4。WMH：脑白质高信号；Flair：液体衰减反转恢复；DLR：深度学习重建；Pre-DLR：预处理DLR。
Fig. 2  Comparison of subjective evaluation scores for three groups of images. The patient is a 69-year-old female with clinically suspected cerebral ischemic lesions. 2A and 2D are conventional T2 Flair images, 2B and 2E are Pre-DLR T2 Flair images, and 2C and 2F are DLR T2 Flair images. In subjective evaluations of image sharpness, gray-white matter contrast, cerebrospinal fluid-choroid plexus contrast, and overall image quality, the scores for 2A, 2B, and 2C are (3, 3, 3, 3), (4, 4, 3, 3), and (4, 4, 4, 4), respectively. In terms of WMH display, the scores for 2D, 2E, and 2F are (3, 3, 4), respectively. WMH: white matter hyperintensity; Flair: fluid-attenuated inversion-recovery; DLR: deep learning reconstruction; Pre-DLR: Pre-deep learning reconstruction.

点击查看表格

表1  三组图像的主观评价得分的比较
Tab. 1  Comparison of subjective evaluation scores for three groups of images

2.3 图像客观评价结果

       三组图像的SIWMH、SI脑白质、SI噪声、SNRWMH、CNRWMH的比较差异均具有统计学意义（P均<0.05），其中DLR组中SNRWMH和CNRWMH最高（表2）。WMH信号强度的比较中，常规组和DLR组间差异无统计学意义（P>0.05），且均高于Pre-DLR组（P<0.05）；正常脑白质信号强度的比较中，常规组信号最高（P<0.05），而Pre-DLR组和DLR组间差异无统计学意义（P>0.05）；噪声的比较中，DLR组中的SI噪声最低，常规组较高，Pre-DLR组最高（P均<0.05）。在WMH计数方面，常规组相较于其他两组数目最少（P<0.05），而DLR组和Pre-DLR组数目上差异无统计学意义（P>0.05）（表2、图3）。

点击查看大图

图3  三组图像WMH显示数目比较。患者女，69岁，临床怀疑脑缺血性病变。3A为常规T2 Flair图，3B为Pre-DLR T2 Flair图，3C为DLR T2 Flair图。所在层面WMH计数方面，3A矩形区中显示数目为0，而3B和3C矩形区中WMH显示数目均为3（右下角放大图中的红箭）。此处只是展示了WMH数目上有差异的层面。WMH：脑白质高信号；Flair：液体衰减反转恢复；DLR：深度学习重建；Pre-DLR：预处理DLR。
Fig. 3  Comparison of the number of WMH displays in three groups of images. The patient is a 69-year-old female with clinically suspected cerebral ischemic lesions. 3A is the conventional T2 Flair image; 3B is the Pre-DLR T2 Flair image; 3C is the DLR T2 Flair image. Regarding WMH counts at the corresponding layer. The number displayed in area 3A is 0, while the number of WMHs displayed in both areas 3B and 3C is 3 (indicated by the red arrows in the enlarged image at the lower right corner). Only the layer exhibiting a difference in WMH counts is presented here. WMH: white matter hyperintensity; Flair: fluid-attenuated inversion-recovery; DLR: deep learning reconstruction; Pre-DLR: Pre-deep learning reconstruction.

点击查看表格

表2  三组图像SI、SI噪声、SNR、CNR以及WMH数量的比较
Tab. 2  Comparison of SI, SInoise, SNR, and CNR in three groups of images as well as the number of WMHs

3 讨论

       在颅脑MRI扫描中，本研究前瞻性地采集了具有内置DLR功能的高分辨T2 Flair图像，并对比分析了常规T2 Flair、使用及未使用DLR算法的高分辨率T2 Flair三种图像的图像质量和显示WMH的数量。研究结果表明，与常规T2 Flair重建图像相比，内置DLR算法的T2 Flair序列能够实现在不增加扫描时间的前提下提高图像的分辨率，提升WMH的图像质量，增加微小WMH的检出量。

3.1 MRI深度学习图像重建概述

       近年来，基于深度学习方法的磁共振图像重建技术在MRI中得到了广泛应用。相比传统的并行采集重建方法，DLR既可以利用数据的先验知识来重建出更高质量的图像^[14]，也可以实现欠采样K空间到完整K空间的映射^[15]。其构建的固定迭代重建或变分网络^{[16, 17, 18]}，可充分利用基于线圈灵敏度和偏置场校正的物理模型^[19]，将获取的K空间数据与使用数据驱动模型来去噪的重建图像相结合^{[20, 21]}，以实现在有效保证图像质量的前提下显著缩短序列扫描时间^[22]。在既往文献报道中，具备DLR功能的扫描序列多以降低激励次数来缩短时间^[23]，其实质是减少了K空间相位编码线的采集数目。因此，在涉及到相位编码线的序列参数中，DLR皆有发挥的潜能。而在本研究中，高分辨率DLR T2 Flair序列比常规T2 Flair序列拥有更多的相位编码步级数，理论上扫描时间更长，而为了平衡由此增加的扫描时间，DLR支持高分辨率DLR T2 Flair序列具有更少的相位编码参考线数量，同时可以重建出更高质量的图像。

3.2 相位编码参考线

       相位编码参考线是指在施加并行采集技术后K空间中心完全采集的K空间线，被用于计算加权信息和完整的K空间计算^[24]。而K空间中心线又与图像SNR和扫描时间息息相关，增加相位编码参考线的数量将导致图像SNR提高，扫描时间延长。而DLR具备利用较少的K空间线重建出高质量图像的潜能，因此，本研究中开创性地尝试了在单次激励次数的情况下降低常规序列的相位编码参考线数量来换取相同扫描时间下DLR组图像的更高空间分辨率：相较于常规T2 Flair序列，在FOV不变的情况下，DLR组相位编码参考线数降低了40%，这部分减少的时间可用来提升相位编码、频率编码步级数，从而完成了在扫描时间不变的情况下DLR组图像的空间分辨率提升了1.4倍。本研究结果表明，DLR算法可以打破在单次激励次数下常规重建算法对K空间相位编码参考线的束缚，能够实现在不增加扫描时间的前提下提升扫描矩阵，提高图像质量。

3.3 DLR组、Pre-DLR组和常规组在图像主观评分和WMH数目的结果分析

       主观评分显示DLR组图像在锐利度、灰-白质对比、脑脊液-脉络丛对比、WMH显示、整体图像质量等方面均高于常规组和Pre-DLR组。本研究认为其结果与DLR组图像具有较高的分辨率和较低的背景噪声有关。在WMH检出数方面，DLR组和Pre-DLR组结果相当，均高于常规组。其原因可能为常规组图像体素较大，其所产生的部分容积效应^[25]掩盖了WMH的微小病灶；而DLR和Pre-DLR图像因其分辨率较高，故增加了微小病灶的可显示性。此外，拥有较高分辨率的Pre-DLR图采用了常规并行采集图像重建方式，其较大的噪声可能会掩盖一些更加微小的病灶^[26]，这有待后续进一步的研究。

3.4 DLR组、Pre-DLR组和常规组的病灶SNR、CNR对比分析

       在本研究中，经DLR重建后的SNR提升1.7倍左右，低于既往文献报道的4倍^[27]，这可能是由于空间分辨率的增加减弱了DLR提升SNR的能力。另一方面，随着分辨率的增加，Pre-DLR图的WMH信号有所减低，而DLR图中WMH信号强度和常规图像并无差异，这可能与DLR的算法有关：对于本身呈高信号的病变，DLR算法只是去除了低信号的噪声部分，但仍保留了呈高信号表现的WMH。而对于在T2 Flair中本身呈低信号的正常脑白质而言，本研究认为，其背景噪声与脑白质信号相近，从而限制了DLR的降噪能力，继而造成了结果中DLR组脑白质信号与Pre-DLR组之间无差异。此外，对于图像四角背景噪声而言，高分辨DLR T2 Flair图像经过深度学习算法重建后，减小了由于空间分辨率的提升而导致的噪声增加^{[28, 29, 30]}，继而获得统计学中显著小于常规图噪声的图像。综上分析，经过DLR处理后的高分辨T2 Flair图像具有较高的SNR和CNR。

3.5 局限性

       本研究也有一定的局限性：（1）因临床中无法获取WMH的病理计数“金标准”，故未来需要结合临床相关指标来证实DLR-T2 Flair中WMH计数相比常规序列在疾病评价和预测中更具有价值；（2）考虑到入组患者的整体扫描时间将延长很多，故未采用高分辨率、多激发次数的常规T2 Flair序列来验证DLR组图像，所以建议在扫描DLR-T2 Flair序列时保留未经DLR处理的原始图像。

4 结论

       综上所述，结合DLR算法的高分辨T2 Flair序列可以实现在不增加扫描时间的前提下提高WMH图像质量、发现更多WMH微小病灶。