0 引言

       颅内占位性病变作为神经系统常见疾病类型，可引起颅内压增高、神经功能缺失等严重并发症，甚至危及生命，早期精准诊断对于制订治疗方案、改善患者预后具有至关重要的意义^{[1, 2]}。MRI是临床诊断颅脑疾病的重要手段之一，尤其是在颅内占位性病变的检出率及定性诊断准确性方面具有明显优势，颅内占位性病变是扩散加权成像（diffusion weighted imaging, DWI）的临床应用中最为广泛且最具诊断价值的疾病类型之一。DWI能够在活体组织中无创地定量反映病变成分特征，表观扩散系数（apparent diffusion coefficient, ADC）可以定性反映水分子的扩散程度，具备判定占位性病变性质的突出优势，为术前准备提供精准的影像学数据^{[3, 4]}。但是，MRI扫描时间长，对患者配合要求高，通过压缩感知（compressed sensing, CS）^[5]、并行采集（parallel imaging, PI）^[6]、减少激励次数（number of excitations, NEX）^[7]等方法，可以有效缩短扫描时间，然而稀疏采样方式的使用或NEX的减少，势必会将噪声一起捕获，降低分辨率，影响图像质量^[8]。因此，减少MRI扫描时间的同时改善DWI的图像质量一直是影像学的研究热点。

       MRI常规重建虽然技术成熟、计算速度快，但主要依靠滤波降噪，在抑制噪声的同时往往会损失部分组织细节信息。相较而言，深度学习重建（deep learning reconstruction, DLR）是一种基于人工智能的新型重建算法^{[9, 10]}，是近几年来快速发展的后处理重建方式，利用有监督的2D前馈卷积神经网络（convolutional neural networks, CNN）对层内无噪声和高分辨率的原始复数数据进行数万次的训练，再通过数百万次的拟合迭代，使DLR的信号与原始采集信号匹配度高，从而高保真地还原有效信息。相对于传统重建进行单一的频率维度来差异化信号和噪声而言，DLR在原始数据阶段实现了信号和噪声的有效分离，做到噪声的靶向剔除，最终得到极低噪声和极小环状伪影的纯净锐利图像后，进一步对传统重建图像进行降噪处理，使图像更加平滑自然，提高图像清晰及锐利度^{[11, 12]}。目前DLR已应用于神经^[13]、脊柱^[14]、体腹部^[15]、心脏^[16]等多部位中，取得了良好效果。虽然已有研究证实了DLR在不同部位和序列中的应用潜力，但主要集中在技术可行性验证方面。在颅脑DWI中NEX优化策略的系统性研究较少，尤其是在平衡扫描时间与图像质量、保证定量参数准确性等关键临床应用问题上，仍需进一步深入探讨。因此，本研究回顾性分析两种重建算法的DWI图像质量，探讨DLR在降低NEX以缩短扫描时间的情况下优化颅脑DWI图像质量的应用价值，为临床诊疗提供更为精准的影像学依据，同时提高患者检查舒适度，提升工作效率。

1 材料与方法

1.1 研究对象

       本研究遵守《赫尔辛基宣言》，通过重庆医科大学附属第一医院医学研究伦理审查委员会的批准，免除受试者知情同意，批准文号：2024年科研伦审（2024-208-01）。回顾性分析2024年4月至6月行MRI扫描的45例颅内占位性病变患者的资料，纳入标准：（1）年龄大于18岁；（2）意识清醒且全程配合；（3）存在颅内占位性病变。排除标准：（1）金属异物伪影致图像扭曲变形；（2）运动伪影致图像模糊无法辨识解剖结构；（3）以囊变、出血及水肿为主要表现的病灶。其中，排除金属伪影，囊变、出血及水肿区域过大（>50%）导致难以准确有效评估实质成分共5例，最终纳入40例。

1.2 检查方法

       采用GE DiscoveryMR750 3.0 T扫描仪进行检查，使用32通道的头颈联合线圈（GE Healthcare, America）。检查前需去除所有金属物品，棉球入耳保护听力，采取仰卧位，用泡沫软垫固定头颅，采用胼胝体前后角连线（AC-PC）为扫描基线。DWI的NEX分别为2和1，记作c2-DWI（NEX=2+常规重建），c1-DWI（NEX=1+常规重建）；DLR通过人工智能引擎IQ-Engine软件（GE公司）处理，记作DL2-DWI（NEX=2+DLR），DL1-DWI（NEX=1+DLR），其中，DL2-DWI和DL1-DWI是分别出自c2-DWI和c1-DWI原始数据进行DLR处理后的图像，DL2-DWI对应c2-DWI，DL1-DWI对应c1-DWI，通过同一原始数据的两种不同重建方式，比较不同NEX参数下常规重建与DLR的效果差异。DLR是使用2D前馈CNN模型直接对MRI采集的原始复数数据进行处理，该CNN模型包含超过10 000个卷积内核，训练参数超过440万个，迭代次数超过400万次。

       四组DWI序列各项参数中，除NEX和DLR参数不同外，其余扫描参数均保持一致。c2-DWI和DL2-DWI扫描时间为40 s，c1-DWI和DL1-DWI扫描时间为21 s；DL1-DWI和DL2-DWI序列应用DLR处理（IQ-Engine引擎，模式：Moderate），而c1-DWI和c2-DWI序列使用常规重建处理（IQ-Engine引擎，模式：Off）。其余扫描参数具体如下：FOV 24.0 cm×24.0 cm，层数22，层厚5 mm，层间距1.5 mm，TR 4497 ms，TE Minimum，扫描方位为轴位，b=1000 s/mm²，体素大小2.0 mm×1.5 mm×5.0 mm。

1.3 图像处理

       所有图像传输至后处理工作站（GE ADW 4.7），相同窗宽窗位下，测量基底节层面灰质、白质和背景的感兴趣区（region of interest, ROI）。SNR及CNR计算方法参考KIM等^[17]的研究，计算方式见式（1）~（2）。

       其中，SIa和SDa分别为脑白质ROI的平均信号强度和信号标准差；SIb和SDb分别为背景ROI的平均信号强度和信号标准差。脑灰质的SNR和CNR计算方法同理。

1.4 图像客观评价

       数据测量由2名具有10年诊断经验的主治医师在双盲条件下独立完成，测量时确保ROI的大小、形状及位置一致。选取基底节层面图像，脑灰质测量右侧尾状核头中央部，脑白质测量同侧侧脑室前角旁，ROI大小约为30 mm²。背景信号取自图像视野内无任何干扰的左上、左下、右上、右下角，ROI大小约为40 mm²；ADC值测量区域：病变区域选择占位病灶横切面积最大层面，ROI尽可能包含病灶实质部分，严格排除囊变、水肿、出血及坏死区域，对侧正常区域选取病变区域的对称部位，确保ROI大小和形状与病灶区域保持一致。所有ROI均重复测量3次并取平均值作为最终测量结果。ROI测量示意图见图1。

点击查看大图

图1  ROI测量示意图。1A：女，47岁，神经纤维瘤。基底节层面，1为脑白质，2为脑灰质，面积大小约为30 mm²；3、4、5、6为背景区域，面积大小约为40 mm²。1B：男，58岁，脑膜瘤，占位病灶横切面积最大层面，1为病灶区域，2为对侧正常区域，确保ROI大小和形状与病灶区域保持一致。ROI：感兴趣区；ADC：表观扩散系数。
Fig. 1  The ROI measurement schematic diagram. 1A: Female, 47 years old, with neurofibroma. At the basal ganglia level, 1 represents white matter and 2 represents gray matter, with an area size of approximately 30 mm²; 3. 4, 5, and 6 are the background areas, with an area size of approximately 40 mm². 1B: Male, 58 years old, meningioma, occupying the largest cross-sectional area of the lesion, with 1 being the lesion area and 2 being the contralateral normal area, ensuring that the size and shape of the ROI are consistent with the lesion area. ROI: region of interest; ADC: apparent diffusion coefficient.

1.5 图像主观评价

       由2名分别具有10年诊断经验的主治医师，采用双盲法分别对四组图像整体质量、噪声水平、磁敏感伪影分别使用5分法评分，评分结果由2名医师独立进行，再将2名医师评分取平均值，取得最终评分，以降低医师主观评分的差异。评分采用5级评分法。整体图像质量^[18]：1分表示图像质量差，结构显示不清；2分表示图像质量较差，灰白质分界欠清；3分表示图像质量一般，灰白质分界较清晰；4分表示图像质量较好，灰白质分界较好；5分表示图像质量优，灰白质分界清晰）。噪声水平^[19]：1分表示噪声多；2分表示噪声较多；3分表示噪声少量；4分表示噪声轻微；5分表示无噪声。磁敏感伪影^[20]：1分表示重度磁敏感伪影；2分表示中度磁敏感伪影；3分表示轻度磁敏感伪影；4分表示少许磁敏感伪影；5分表示无磁敏感伪影。

1.6 统计学分析

       使用SPSS 27.0软件（Version 27.0, Armonk）进行统计学分析。采用Shapiro-Wilk检验和Levene检验对数据进行正态性和方差齐性检验。满足正态分布和方差齐数据使用配对t检验，用x¯±s表示，不符合正态分布数据使用Wilcoxon秩和检验，用中位数（上下四分位数）表示。主观评分采用加权Kappa（κ）检验评价两位医师间的一致性，κ值>0.80表示一致性优良，>0.60~0.80为一致性良好，>0.40~0.60为一致性中等，≤0.40为一致性差。采取Bonferroni检验进行多重比较校正，校正阈值分别为0.008 3、0.016 7，所有统计分析均采用双侧检验，显著性水平设定为P<0.05，表示差异具有统计学意义。

2 结果

2.1 入组人群与扫描时间

       共收集40例颅内占位性病变患者的MRI影像学资料，男29例、女11例，年龄20~75（54.22±13.36）岁。本研究中，DL1-DWI序列（NEX=1）的扫描时间为21 s，较c2-DWI序列（NEX=2，扫描时间40 s）缩短了19 s，减少47.5%。

2.2 客观评价结果

       DL1-DWI组和c2-DWI组灰质的SNR、CNR差异均有统计学意义（均P<0.001）。DL1-DWI组和c2-DWI组白质的SNR、CNR差异均有统计学意义（均P<0.001）。DL1/2-DWI组的灰质和白质的SNR、CNR均高于对应的c1/2-DWI组，差异均有统计学意义（P<0.001）。数据详见表1。

       DL1-DWI组和c2-DWI组病灶区域、对侧正常区域测量的ADC值差异均无统计学意义（均P>0.05）。DL1/2-DWI组与c1/2-DWI组病灶区域和对侧正常区域测量的ADC值均无差异，差异均无统计学意义（均P>0.05）。数据详见表2。

点击查看表格

表1  图像灰质和白质SNR、CNR的对比
Tab. 1  Comparison of SNR and CNR of gray and white matter among different image groups

点击查看表格

表2  图像病灶区域和对侧正常区域测量的ADC值对比
Tab. 2  Comparison of ADC values measured in the lesion area and the contralateral normal area of the image

2.3 主观评价结果

       2名医师对4组图像的整体图像质量、噪声水平、磁敏感伪影主观评分κ值分别为0.873、0.825、0.836，一致性强。DL1-DWI组整体图像质量、噪声水平评分显著高于c2-DWI组，差异有统计学意义（P<0.001）。c1/2-DWI组的整体图像质量、噪声水平评分均低于DL1/2-DWI组，差异有统计学意义（P<0.001）（表3、图2）。DL1-DWI和c2-DWI组图像的磁敏感伪影无明显变化，差异无统计学意义（P>0.05），c1/2-DWI和DL1/2-DWI组图像的磁敏感伪影无明显变化，差异无统计学意义（P>0.05）（表3、图3）。另外，本研究发现DLR不影响ADC值良恶性判断的准确性（图4）。

点击查看大图

图2  男，53岁，淋巴瘤。相同窗宽窗位下，2A为c1-DWI（NEX=1+常规重建），整体图像质量较差，评分2.5分，扫描时间21 s；2B为DL1-DWI（NEX=1+DLR），整体图像质量较好，评分4.0分，扫描时间21 s；2C为 c2-DWI（NEX=2+常规重建），整体图像质量较好，评分4.0分，扫描时间40 s；2D为DL2-DWI（NEX=2+DLR），整体图像质量优，评分5.0分，扫描时间40 s。DL1-DWI的扫描时间比c2-DWI缩短19 s，减少了47.5%，图像质量更优。DLR：深度学习重建；DWI：扩散加权成像；NEX：激励次数。
Fig. 2  Male, 53 years old, lymphoma. Under the same window width and position. 2A shows poor overall image quality on c1-DWI (NEX = 1 + conventional reconstruction), with a score of 2.5 and a scan time of 21 seconds. 2B shows good overall image quality on DL1-DW (NEX = 1 + DLR), with a score of 4.0 and a scan time of 21 seconds. 2C shows good overall image quality on c2-DWI (NEX = 2 + conventional reconstruction), with a score of 4.0 and a scan time of 40 seconds. 2D shows excellent overall image quality on DL2-DWI (NEX = 2 + DLR), with a score of 5.0 and a scan time of 40 seconds. DL1-DWI has a scan time that is 19 seconds shorter than c2-DWI, a reduction of 47.5%, resulting in better image quality. DLR: deep learning reconstruction; DWI: diffusion-weighted imaging; NEX: number of incentives.

点击查看大图

图3  男，53岁，淋巴瘤。3A为c1-DWI（NEX=1+常规重建），3B为DL1-DWI（NEX=1+DLR），3C为c2-DWI（NEX=2+常规重建），3D为DL2-DWI（NEX=2+DLR）。相同窗宽窗位下，四组磁敏感伪影（箭）所示，DLR 对磁敏感伪影不能去除。DWI：扩散加权成像；NEX：激励次数；DLR：深度学习重建算法。
Fig. 3  Male, 53 years old, lymphoma. 3A is c1-DWI (NEX = 1 + conventional reconstruction); 3B is DL1-DWI (NEX = 1 + DLR); 3C is c2 DWI (NEX = 2 + conventional reconstruction); 3D is DL2-DWI (NEX = 2 + DLR). Under the same window width and position, as shown by the arrows, four sets of magnetic sensitive artifacts cannot be removed by DLR. DWI: diffusion-weighted imaging; NEX: number of incentives; DLR: deep learning reconstruction algorithm.

点击查看大图

图4  女，49岁，胶质瘤。4A为c1-DWI（NEX=1+常规重建）；4B为DL1-DWI（NEX=1+DLR）；4C为c2-DWI（NEX=2+常规重建）；4D为DL2-DWI（NEX=2+DLR）。相同窗宽窗位下，四组ADC值依次为984.68×10^-6、984.67×10^-6、983.49×10^-6、983.43×10^-6 mm²/s，经DLR后，SD变小，分别为45.14、37.31、45.12、38.58，说明数值更均匀，DLR不对ADC值产生影响。DWI：扩散加权成像；DLR：深度学习重建；NEX：激励次数；ADC：表观扩散系数；SD：信号标准差。
Fig. 4  Female, 49 years old, glioma. 4A is c1-DWI (NEX = 1 + conventional reconstruction); 4B is DL1-DWI (NEX = 1 + DLR); 4C is c2-DWI (NEX = 2 + conventional reconstruction); 4D is DL2-DWI (NEX = 2 + DLR). Under the same window width and level, the four sets of ADC values are 984.68 × 10^-6, 984.67 × 10^-6, 983.49 × 10^-6, and 983.43 × 10^-6 mm²/s, respectively. After deep learning reconstruction, the SD decreases to 45.14, 37.31, 45.12, and 38.58, indicating that the values are more uniform and that DLR does not affect the ADC values.DWI: diffusion-weighted imaging; DLR: deep learning reconstruction; NEX: the number of incentives; ADC: apparent diffusion coefficient; SD: standard deviation of the signal.

点击查看表格

表3  图像主观评价结果的对比
Tab. 3  Comparison of subjective evaluation results of images

3 讨论

       本研究旨在探讨基于DLR在优化颅脑扩散加权成像中的应用价值，特别是在通过减少NEX以缩短扫描时间的应用场景下。研究结果表明，DLR在DWI图像颅脑ROI的SNR、CNR，整体图像质量、噪声水平评分均高于常规重建，尤其是在NEX从2降至1的情况下，其图像质量甚至高于标准NEX为2的常规重建图像，虽对磁敏感伪影没有明显改善，但图像质量经DLR的提升并不影响ADC值良恶性判断的准确性。

3.1 DLR对图像SNR、CNR及噪声伪影的优化机制

       SNR、CNR是评价图像质量的核心指标，临床实践中常通过增加NEX来提高图像质量，但主要缺点是扫描时间显著延长^[21]。本研究中，当NEX从2减至1时，传统重建的c1-DWI序列图像质量确实显著低于c2-DWI序列。其根本原因在于，减少NEX意味着减少了信号平均的次数，这直接导致对随机噪声的抑制效果减弱，从而降低了图像的SNR及CNR。

       本研究的关键发现是DLR能够有效提升因减少NEX而损失的图像质量。DL1-DWI序列的SNR和CNR不仅超过c1-DWI，甚至超越了标准扫描c2-DWI。这充分展示了DLR在噪声抑制方面的强大能力。DLR基于2D前馈CNN，通过大量在原始复数数据上进行训练，学习区分真实信号与噪声的复杂模式^{[9, 10]}。在重建过程中，DLR能够智能地识别并去除噪声成分，同时保留解剖细节和病灶特征，其去噪效率显著高于简单的信号平均。同时CNN使得DLR并非简单的平滑滤波，这与传统的滤波方法可能导致图像模糊，与PI、CS等加速技术可能引入特定伪影或残留噪声有着本质区别。因此，DLR使得在缩短扫描时间的同时，获得高SNR的DWI图像成为可能。这将在优化扫描流程、提升检查效率及改善患者体验方面具有重要的临床意义，尤其适用于急诊、儿科及配合欠佳的患者。这与吕晓宇等^[22]的水模研究结果及杨晶等^[23]在海马区高分辨率成像中的发现一致，进一步证实了DLR在提升图像质量方面的有效性。

3.2 DLR对主观图像质量及磁敏感伪影的影响

       主观图像质量评价结果与定量分析一致，2名医师一致认为DLR序列（DL1-DWI和DL2-DWI）在整体图像质量和噪声水平上显著优于常规重建序列。值得注意的是，虽然DL2-DWI组的图像各方面评分最高，但是DL2-DWI组的扫描时间长，检查效率低；而DL1-DWI组图像的各项评分均高于c2-DWI组，扫描时间短，图像质量高，更具应用价值，这与吴慧芳等^[24]、王绎忱等^[25]、可赞等^[26]的研究结果相似。然而，DLR对于改善磁敏感伪影，如颅底、鼻窦旁区域常见的信号扭曲和丢失的效果并不显著，评分上与常规重建差异无统计学意义。这与LEBEL等^[27]关于DLR对运动伪影改善有限的报道类似。这种现象可能与DLR的设计原理有关，其算法通常在训练时主要聚焦于学习和抑制随机噪声模式^{[28, 29]}，因此能有效识别并去除此类噪声。而磁敏感伪影是由局部磁场不均匀性引起的物理现象，其在图像上的表现形式与随机噪声不同，并非DLR主要优化的目标。因此，临床医生在使用DLR时应理解其优势主要在于降噪，对于由物理因素主导的伪影类型改善有限。

3.3 DLR对ADC值准确性的影响

       ADC值量化指标能够反映活体组织内水分子扩散的程度^[30]，可以提取肉眼无法识别的、高通量的影像特征，从而间接反映占位性病变的组织学成分和侵袭性^{[31, 32]}，是DWI的核心定量信息，主要受b值、场强、SNR降低及产生的磁敏感伪影、成像物质及其内部分子空间分布的影响^[33]。对于依赖定量参数进行诊断的序列而言，重建算法是否影响定量值的准确性至关重要，本研究对比c1/2-DWI和DL1/2-DW组，DL1-DWI和c2-DWI组的ADC值，研究结果显示，ADC值差异均无统计学意义，这表明DLR并未干扰基于信号强度计算的核心定量信息——水分子扩散受限程度，这对于临床应用至关重要，证明缩短扫描时间并应用DLR不会显著影响ADC值的测量结果，为其在肿瘤良恶性判断、治疗反应评估等依赖ADC值的临床应用中的可靠性提供了支持，解除了因技术改变可能引入测量偏差的主要顾虑。这与陈鹏等^[34]的扫描参数优化研究结果一致；与李琼阁等^[35]研究的DLR可以保证定量参数准确性的结果相似。

3.4 本研究的局限性

       本研究存在以下不足：（1）入组病例数较少，可能限制研究结果的普适性，后续研究将纳入更多样本数据量；（2）仅测量了b=1000 s/mm²计算的ADC值，后续将探讨DLR对不同b值的影响；（3）未涉及病种分类，病种多样性可能影响特定病种分析的统计效能，未来研究将对病种进行归类划分，并分析同类占位性病变术后的追踪情况；（4）序列间的差异只限于改变NEX，可能不是缩短扫描时间和提升图像质量的最佳策略，未来将尝试优化其他参数以缩短扫描时间，以全面验证DLR提质增效的应用价值；（5）仅对占位性病变进行临床应用价值探索，未对微小病灶（直径<1 cm）进行对比分析，未来将纳入DLR对小病灶检测能力的评估。

4 结论

       综上所述，DLR能够显著提升颅脑DWI图像SNR、CNR及主观评分，有效抑制图像噪声。尤为重要的是，通过降低NEX，缩短扫描时间，获得优于常规标准扫描图像质量的同时，并不影响关键定量指标ADC值的准确性。尽管DLR对改善磁敏感伪影效果有限，但其在提升图像质量和提高扫描效率方面的综合优势，使其在临床颅脑MRI检查中具有广阔的应用前景，有望成为优化扫描协议、提升诊断效能的重要工具。