0 引言

       乳腺癌是全球女性最常见且发病率最高的恶性肿瘤之一，其发病率呈逐年上升趋势，早期精准诊断对影像学评估提出了更高要求^[1]。乳腺MRI凭借无电离辐射、软组织分辨率高、多参数多维度成像，已成为乳腺癌诊断最重要的工具^{[2, 3]}。其中T2WI为乳腺MRI必备扫描序列，在病灶检出及良恶性鉴别中发挥重要作用^{[4, 5, 6]}。但传统高场（1.5 T、3.0 T）T2WI采集需3~5 min^[7]，受信噪比（signal-to-noise ratio, SNR）限制难以实现高清成像；合成磁共振成像（synthetic MRI, syMRI）其单次较长的扫描时间限制了更广泛的临床应用^[8]。

       随着5.0 T超高场MRI技术的飞速发展，乳腺影像诊断迈入高清成像新阶段。相比常规3.0 T MRI，5.0 T MRI具备更高的固有SNR、空间分辨率与组织对比度，通过高清薄层成像可有效抑制部分容积效应，精准分辨乳腺腺叶、导管及微小病变^{[9, 10]}。但5.0 T乳腺高清薄层T2WI扫描时间较长，射频能量沉积显著，易诱发运动伪影，制约其临床推广^[11]。如何在保障图像质量的同时缩短扫描时间，是亟待解决的现实问题，也是本研究的出发点。

       传统压缩感知技术（compressed sensing, CS）是现阶段MRI的主流技术，通过对k空间数据进行欠采样处理可大幅度缩短扫描时间。但高加速下存在图像边缘模糊、细节纹理丢失、噪声增高等问题，难以兼顾成像速度与图像质量^[12]。近年来，人工智能辅助压缩感知（artificial intelligence-assisted compressed sensing, ACS）结合深度学习重建（deep learning reconstruction, DLR）成为MRI的新型技术方案^{[13, 14]}。ACS融合人工智能、压缩感知、并行采集技术和半傅里叶加速技术^{[15, 16, 17]}，利用大量乳腺影像数据集训练神经网络模型，以数学约束模块保障深度学习结果可靠性，实现高加速欠采数据的高质量恢复，可在去伪影、降噪的同时大幅缩短扫描时间^{[18, 19]}。DLR采用轻量化卷积神经网络（convolutional neural network, CNN）架构，经百万量级样本训练，将低分辨率、低SNR的原始图像智能映射为高分辨率、高SNR且细节更丰富的图像，并以数据保真模块及图像域与k空间域联合约束保证重建图像细节真实性。二者联合可在压缩扫描时长的同时保留细微解剖纹理与病灶特征，弥补传统CS不足。目前该技术已在鞍区、骨关节等部位超高场MRI中得到初步推广^{[20, 21]}，但针对5.0 T乳腺高清薄层T2WI序列的系统性研究尚存在不足。既往研究多聚焦于单一加速因子与单一DLR权重的配对比较^{[8, 22, 23]}，系统评估多加速因子与多DLR权重交叉组合的研究仍属空白。

       本研究旨在探究不同加速因子ACS联合不同权重DLR对5.0 T乳腺高清T2WI加速效果与图像质量的影响。本研究为临床提供最优配比选择，从而提升乳腺扫描效率及为乳腺非增强快速成像提供了技术基础，推动超高场MRI人工智能快速成像技术的临床应用。

1 材料与方法

1.1 研究对象

       本研究前瞻性连续收集2026年1月至2026年4月于本院拟行5.0 T乳腺MRI检查的临床可疑乳腺疾病女性患者130例。纳入标准：（1）临床可疑乳腺病变以及乳腺癌筛查的高危人群；（2）满足5.0 T MRI安全要求，无MRI检查禁忌证。排除标准：（1）严重的图像运动伪影及不能耐受检查者；（2）扫描序列不完整，缺乏完整的ACS或高清弥散扫描序列；（3）临床或病理资料不完整；（4）MRI图像未见明确可分析病灶。本研究共初筛130例受检者，首先剔除不符合MRI安全准入要求者12例（体内铁磁性植入物），剩余118例进入后续筛选，再排除63例：存在严重图像运动伪影及无法耐受检查排除2例，扫描序列及临床或病理资料不完整排除50例，MRI图像未见明确可分析病灶排除11例；最终纳入55例患者，共109个乳腺，其中1人一侧行乳腺癌根治术后缺如，所有纳入病例均经穿刺活检或手术病理证实。本研究遵守《赫尔辛基宣言》，经宁夏回族自治区人民医院伦理委员会批准（批准文号：【2025】-NZR-064），所有参与者均签署知情同意书。

1.2 检查方法

       采用联影5.0 T超高场MRI系统（uMR Jupiter，上海联影医疗科技股份有限公司，中国）配合乳腺专用线圈（即24通道乳腺相控阵线圈）进行乳腺核磁图像采集。患者采用俯卧位，身体俯卧于专用乳腺托架上，双侧乳腺自然垂入线圈凹槽内，双臂自然前伸，头部放置于专用头托内，胸腹部放松，平稳呼吸，全程保持静止不动。脚先进，定位中心对准两乳房连线。对所有患者均进行三种加速因子（ACS2、ACS5、ACS8）的T2加权扫描，ACS（2，5，8）为厂家预设的ACS档位，实际加速因子为（2.07，2.82，3.45）。扫描序列为横断位横断位快速自旋回波（fast spin echo, FSE）-短时反转恢复（short tau inversion recovery, STIR）-T2WI序列，STIR脂肪抑制不受B0/B1不均匀影响，在高场强下脂肪抑制均匀性优于频率选择法；T2WI为乳腺MRI必扫序列；2 mm薄层用于抑制部分容积效应。具体扫描参数见表1。本研究中ACS2（综合加速因子2.07）的扫描时间为7 min 58 s，其加速倍数最低、K空间采样最接近全采样，图像质量受加速伪影影响最小，在本研究设计中实际承担了“参考标准”的角色，所有ACS5和ACS8的图像质量均与ACS2进行配对比较。

点击查看表格

表1  FSE-STIR-T2WI序列不同ACS的扫描参数
Tab. 1  Scan parameters of different ACS sequences in FSE-STIR-T2WI

1.3 图像重建

       扫描结束后，保持其余参数不变，在uMR Jupiter主机上对同一患者的3次T2WI扫描（ACS2、ACS5、ACS8各一次）分别进行3种不同DLR权重的离线重建，即无DLR（Non-DLR）、中度DLR（DLR-3）及重度DLR（DLR-5）重建。患者只需接受3次扫描（ACS2为7 min 58 s、ACS5为4 min 53 s、ACS8为3 min 59 s，总计16 min 50 s）。

1.4 图像质量评价

1.4.1 客观评价

       扫描结束后，由两名分别具有8年及12年乳腺MRI诊断经验的放射科医师（主治医师及副主任医师各1名），在MRI工作站（uOmnispace，上海联影医疗科技股份有限公司，中国）上在病灶、腺体、脂肪、胸大肌和四角背景区域独立放置感兴趣区（region of interest, ROI）。两名医师接受统一培训，明确ROI放置规范（避开血管、导管及明显伪影区域，多个组织区域ROI大小保持一致^[24]，ROI大小除了病灶为5~10 mm²，其余为20 mm²）。测量组织的平均信号强度（signal intensity, SI）、标准差（standard deviation, SD），并计算四角背景区域的SD（随机选取3个，取平均值），根据公式计算SNR、对比噪声比（contrast-to-noise ratio, CNR）。计算公式如下：

       其中，μ为目标组织的平均SI值；σ为组织或背景噪声的SD值。

1.4.2 主观评价

       由两名分别具有8年及12年乳腺MRI诊断经验的放射科医师（主治医师及副主任医师各1名），采用双盲法，独立对每组图像的整体模糊程度、病灶边界清晰度、邻近脏器清晰度、图像整体扭曲程度、运动伪影情况进行5分制Likert scale评分，（5分：图像质量最好；4分：图像质量良好；3分：图像质量较好；2分：图像质量一般；1分：图像质量较差）^[25]，其中5个维度等权，各维度权重为0.2，加权求和得到综合主观评分。

1.5 统计学分析

       所有数据采用 SPSS 27.0软件进行统计学分析，Origin 2024软件绘制阵列热图。用Shapiro-wilk法，对乳腺客观指标（SI 值、背景噪声SD、SNR及CNR值）进行正态性分布检验。计量资料行正态性检验，部分客观指标呈偏态分布，客观指标及主观评分以M（P25，P75）表示。两名医师ROI测量的一致性采用双向混合效应模型、绝对一致定义的单个测量组内相关系数（intra-class correlation coefficient, ICC）评价，ICC值>0.75为一致性良好。客观指标采用Friedman χ²检验，事后分析采用Dunn检验并用Bonferroni法进行校正。主观Likert评分为有序分类资料，5个维度等权重，经算术平均得到综合主观评分，采用重复测量设计的非参数Friedman χ²检验进行总体比较，该非参数检验无需球形性假设，事后两两比较采用经Bonferroni校正的Dunn事后检验。对两名阅片医师的图像质量一致性评价：5个维度主观评分采用加权Kappa检验；综合主观评分为连续变量，采用双向混合效应模型、绝对一致定义的单个测量ICC，加权Kappa值0.60~0.80为一致性良好，≥0.81为优秀；ICC值>0.75为一致性良好。以P<0.05为差异具有统计学意义。

2 结果

2.1 一般资料

       55例患者共56个病灶（54例为乳腺单侧单发病灶、1例患者存在双侧乳腺病灶），其中恶性13个（浸润性导管癌9个、浸润性小叶癌2个、导管原位癌2个），良性43个（纤维腺瘤18个、乳腺病11个、导管内乳头状瘤7个、炎症性病变4个、叶状肿瘤3个）。55例患者年龄20~69（42.58±10.98）岁。

2.2 扫描时间

       扫描时间随ACS加速因子增加而显著缩短：ACS2为7 min 58 s，ACS5为4 min 53 s，ACS8为3 min 59 s。

2.3 图像质量的客观评分

       两名医师对客观指标测量的ICC值（0.840~0.921），提示一致性良好，具体一致性结果见表2。

       相同ACS不同DLR下：脂肪及胸大肌的SI值差异没有统计学意义（P>0.05），病灶及腺体SI值差异具有统计学意义（P<0.001）；病灶及各组织（腺体，脂肪，胸大肌）SNR值、背景噪声SD值差异均具有统计学意义（P<0.001）；病灶的CNR值差异均没有统计学意义（P>0.05）。相同DLR不同ACS下：病灶SI值差异没有统计学意义（P>0.05），其余各组织SI值差异均具有统计学意义（P<0.05）；胸大肌SNR值差异没有统计学意义（P>0.05），其余各组织SNR值差异均具有统计学意义（P<0.05）；病灶的CNR值差异均没有统计学意义（P>0.05）；背景噪声SD值差异均具有统计学意义（P<0.001），详见表3。

       相同ACS下，随着DLR强度增加，病灶及腺体的SI、SNR均增高，背景噪声SD降低。

       相同DLR下，随着ACS加速因子增加，背景噪声SD下降，病灶SI呈减低趋势，而病灶SNR表现为升高后下降，而在相同DLR下，ACS5与ACS8病灶SNR组间比较差异无统计学意义（P>0.05）。即相同ACS下，DLR-5图像的噪声SD最低，SNR最高；相同DLR下，ACS8图像的噪声SD最低。背景噪声SD随ACS及DLR增加显著下降，即为 SNR升高的直接原因。具体结果见图1。

点击查看大图

图1  不同ACS及DLR下病灶及各组织SNR阵列热图。1A：病灶SNR热图；1B：腺体SNR热图；1C：脂肪SNR热图；1D：胸大肌SNR热图。色块颜色代表SNR数值大小；1A、1B共用同一色标尺，1C、1D共用另一色标尺。腺体/脂肪/胸大肌，n=109；病灶，n=56。ACS：人工智能辅助压缩感知；DLR：深度学习重建；SNR：信噪比；Non-DLR：无深度学习重建；DLR-3：中度深度学习重建；DLR-5：重度深度学习重建。
Fig. 1  Array heatmaps of SNR for lesions and various tissues under different ACS and DLR reconstruction settings. Array heatmaps of SNR for lesions and various tissues under different ACS and DLR reconstruction settings. 1A: Heatmap of SNR in lesions; 1B: Heatmap of SNR in glandular tissue; 1C: Heatmap of SNR in fat; 1D: Heatmap of SNR in pectoralis major muscle. Tile color represents the SNR value. 1A and 1B share the same color scale, and panels 1C and 1D share another color scale. The sample size of gland, fat and pectoralis major muscle is n = 109, and the lesion group is n = 56. ACS: artificial intelligence-assisted compressed sensing; DLR: deep learning reconstruction; SNR: signal-to-noise ratio; Non-DLR: reconstruction without deep learning; DLR-3: moderate deep learning reconstruction; DLR-5: heavy deep learning reconstruction.

点击查看表格

表2  三种ACS加速因子结合不同DLR重建下病灶与各组织SI测量的ICC一致性比较
Tab. 2  Comparison of ICC agreement for SI measurements of lesions and various tissues under three ACS acceleration factors combined with different DLR reconstructions

点击查看表格

表3  病灶和各组织的SI、SNR、CNR以及背景噪声SD在三种ACS加速因子结合不同DLR中的比较
Tab. 3  Comparison of SI, SNR, CNR of lesions and various tissues, as well as background noise SD, among three ACS acceleration factors combined with different DLR levels

2.4 主观评分

       5个维度主观评分一致性良好（Kappa值分别为0.783~0.818）。综合主观评分的总体ICC值（0.831~0.912），各组95% CI下界最低为0.721，提示两名医师综合主观评分一致性中等到良好，满足临床研究要求。具体一致性结果见表4。

       在5个维度主观评分中：在相同ACS不同DLR下，图像扭曲程度主观评分差异无统计学意义（P>0.05）；其余维度主观评分差异均具有统计学意义（P<0.001）。在相同Non-DLR不同ACS下：运动伪影主观评分差异具有统计学意义（P<0.05）；其余维度主观评分差异均没有统计学意义（P>0.05）。在相同DLR-3不同ACS下，运动伪影及整体模糊程度的主观评分差异具有统计学意义（P<0.05）；其余维度主观评分差异均没有统计学意义（P>0.05）。在相同DLR-5不同ACS下，整体模糊程度的主观评分差异具有统计学意义（P<0.05）；其余维度主观评分差异均没有统计学意义（P>0.05）。在综合主观评分中：在相同ACS不同DLR差异均具有统计学意义（P<0.001）；在相同DLR（Non-DLR、DLR-3）不同ACS下，差异均具有统计学意义（分别P=0.001，P<0.001），而在相同DLR-5不同ACS下，组间差异无统计学意义（P=0.544），详见表5。

       在相同ACS不同DLR下，随着DLR强度增加，综合主观评分逐步升高。在相同DLR不同ACS下，随着ACS加速因子增加，综合主观评分中位数无明显改变，但四分位数区间无明显扩大。即ACS8联合DLR-5组合的图像综合主观评分最高，具体结果如图2、图3所示。

点击查看大图

图2  不同ACS及DLR综合主观评分比较。2A：综合主观评分在相同DLR不同ACS下的结果；2B：综合主观评分在相同ACS不同DLR下的结果。箱体代表四分位距（25%~75%），箱内横线为中位数；须线遵循Tukey规则，圆点为离群值；n=109。*代表两者具有统计学差异（P<0.05），**代表两者具有统计学差异（P<0.01），***代表两者具有统计学差异（P<0.001），未标记组间代表两者没有统计学差异（P>0.05）。ACS：人工智能辅助压缩感知；DLR：深度学习重建；Non-DLR：无深度学习重建；DLR-3：中度深度学习重建；DLR-5：重度深度学习重建。
Fig. 2  Comparison of comprehensive subjective image quality scores among different ACS and DLR combinations. 2A: Results of comprehensive subjective scores under identical DLR with different ACS; 2B: Results of comprehensive subjective scores under identical ACS with different DLR. Boxes represent the interquartile range (25% to 75%), horizontal lines inside boxes indicate medians. Whiskers follow Tukey’s rule, dots represent outliers. n = 109. * indicates statistically significant difference (P < 0.05), ** indicates statistically significant difference (P < 0.01), *** indicates statistically significant difference (P < 0.001); unmarked groups represent no statistically significant difference between groups (P > 0.05). ACS: artificial-intelligence-aided compressed-sensing; DLR: deep-learning reconstruction; Non-DLR: non-deep-learning reconstruction; DLR-3: moderate deep-learning reconstruction; DLR-5: heavy deep-learning reconstruction.

点击查看大图

图3  女，39 岁，右乳上方中带肿块。不同ACS 与DLR组合条件下同一乳腺病灶的T2WI 图像对比。3A~3C 分别为相同ACS-2 下Non-DLR、DLR-3、DLR-5 重建图像；3D~3F 分别为相同ACS-5 下Non-DLR、DLR-3、DLR-5 重建图像；3G~3I 分别为相同ACS-8 下Non-DLR、DLR-3、DLR-5 重建图像。随着ACS 加速因子与DLR重建强度升高，图像可见肿块与周围组织对比度逐步提升，边界更加锐利清晰，病灶内部细微结构显示更加清晰。黄色箭头指示乳腺肿块所在位置。ACS：人工智能辅助压缩感知；DLR：深度学习重建；Non-DLR：无深度学习重建；DLR-3：中度深度学习重建；DLR-5：重度深度学习重建。
Fig. 3  T2-weighted image comparison of the same breast lesion in a 39-year-old female patient with a mass in the upper-middle zone of the right breast under different ACS and DLR combinations. 3A to 3C: Images reconstructed with Non-DLR, DLR-3, DLR-5 under identical ACS-2, respectively; 3D to 3F: Images reconstructed with Non-DLR, DLR-3, DLR-5 under identical ACS-5, respectively; 3G to 3I: Images reconstructed with Non-DLR, DLR-3, DLR-5 under identical ACS-8, respectively. With the increase of ACS acceleration factor and DLR reconstruction strength, the contrast between the mass and surrounding tissues is gradually improved, the boundary becomes sharper, and the internal fine structures of the lesion are displayed more clearly. Yellow arrows indicate the location of the breast mass. ACS: artificial-intelligence-aided compressed-sensing; DLR: deep-learning reconstruction; Non-DLR: non-deep-learning reconstruction; DLR-3: moderate deep-learning reconstruction; DLR-5: heavy deep-learning reconstruction.

点击查看表格

表4  三种ACS加速因子联合不同DLR重建下五个维度Kappa一致性及综合主观评分ICC一致性比较
Tab. 4  Comparison of Kappa agreement for five dimensions and ICC agreement for comprehensive subjective scores under three ACS acceleration factors combined with different DLR reconstructions

点击查看表格

表5  不同ACS及DLR五个维度及综合主观评分
Tab. 5  Comparison of five-dimensional and comprehensive subjective scores among different ACS-DLR combinations

3 讨论

       本研究系统比较了5.0 T乳腺高清T2WI中3种ACS加速因子（2、5、8）与3种DLR权重（Non-DLR、DLR-3、DLR-5）组合对扫描时间与图像质量的影响，发现ACS8联合DLR-5方案综合主观评分最高，扫描时间较ACS2缩短50%（7 min 58 s vs. 3 min 59 s）。本研究进一步量化了ACS与DLR的协同降噪效应，提示DLR在高加速因子下的边际效应递减现象，并提出以扫描效率与图像质量均衡为导向的最优参数配比（ACS8联合DLR-5）。该方案在保证图像质量的同时显著缩短扫描时间，为5.0 T乳腺非增强快速T2WI提供了优选参数组合，对乳腺癌筛查、随访及不能耐受长时间检查的患者，具有一定的临床应用潜力。

3.1 基于5.0 T MRI的ACS与DLR算法的优势与价值

       本研究在5.0 T MRI乳腺T2WI扫描中采用ACS联合DLR算法，具备显著技术优势。5.0 T超高场MRI相较3.0 T具备更高的SNR、空间分辨率及组织对比度^[26]，薄层T2WI可减轻部分容积效应，清晰显示乳腺细微解剖及毫米级病灶，但扫描时间长、射频负荷高限制了临床推广。不同于传统的CS重建，ACS依托大规模影像数据训练，结合数学约束模块，可实现高欠采样数据的高质量恢复，有效缩短扫描时长^[27]。DLR依托图像k空间联合约束优化图像保真度，提升图像SNR、保留细微病灶与解剖细节。ACS与DLR联合方案在头颈部及腹部MR成像领域已有相关报道^{[28, 29, 30]}。本研究结果表明，该方案可整合ACS与DLR的双重优势，在缩短采集时长的同时抑制图像噪声、校正运动伪影，较好保留乳腺组织及病灶的灰度特征与细微解剖结构，这与既往相关研究的结论基本一致^{[31, 32, 33]}。

3.2 不同加速因子ACS及不同强度DLR对乳腺图像的影响

       本研究结果提示ACS8联合DLR-5可获得最优的主客观图像质量，结果见图3。在相同ACS下，随DLR权重升高，病灶与腺体SI、SNR整体升高，背景噪声SD下降，降噪效果随DLR权重增加而更加显著；在相同DLR下，提升ACS加速因子可降低背景噪声SD，但病灶SI呈下降趋势，病灶SNR在Non-DLR和DLR-3水平先升后降、在DLR-5水平轻微下降。在同一ACS条件下，DLR-5较Non-DLR可显著提升图像SNR，最高提升幅度达128.95%。在相同Non-DLR和DLR-3下，ACS8较ACS2图像SNR提升幅度为0.49%~10.61%[其中SNR提升百分比=(SNRB-SNRA)/SNRA×100%]；而在相同DLR-5时，ACS8相比ACS2的SNR中位数轻微下降，提示高权重DLR下高加速因子不再产生额外SNR获益，即DLR在高ACS下存在边际效应递减。该非线性特征既往3.0 T乳腺研究未见报道，可为5.0 T乳腺T2WI的ACS联合DLR参数优化提供实验依据，其底层物理与算法机制值得进一步研究。

       SNR随ACS升高先升后降的现象，看似与传统认知矛盾，可从两方面解释：其一，ACS的AI重建模块以全采样高质量图像为标签，在更高加速倍数下更多依赖AI先验知识恢复缺失数据，噪声抑制效应更显著；ACS加速因子升高可缩短采集时间，可显著减少运动相关噪声，共同导致背景噪声SD持续降低。随ACS增加，病灶SI下降幅度由轻微逐渐增大，SNR=SI（靶病灶）/SD（背景噪声），故SNR呈现先升后降。其二，DLR非线性降噪可在欠采样中恢复高频细节，但其降噪补偿能力在ACS5时趋于饱和，因此ACS8后SNR增益减缓，即DLR在高加速因子下存在边际效应递减。但需注意DLR-5可能平滑微细结构（如乳腺导管），本研究中DLR-5组病灶边界清晰度Kappa值（0.783）略低于DLR-3组（0.802），提示过度降噪风险。建议根据诊断目的选择：ACS8联合DLR-5适用于筛查随访、不能耐受长时间扫描者，评估微细结构时需结合DLR-3图像判读。

3.3 与既往研究的比较

       江桂莲等^[34]报道，使用ACS技术进行颞下颌关节MRI可有效缩短扫描时间，提升图像SNR，具有临床推广价值。周鹏辉等^[35]报道，基于DLR技术在鼻咽癌5.0 T MRI中的应用研究表明，DLR技术可以显著提升鼻咽癌图像的SNR和分辨率，提高其图像清晰度，为影像诊断提升带来更多可能性。本研究的创新在于：首次在5.0 T乳腺T2WI中构建横向同一ACS下及纵向同一DLR下（3×3完整评估矩阵），系统量化ACS与DLR的协同效应及边际递减规律，而既往多聚焦单一加速因子或单权重DLR，且主要在3.0 T平台。5.0 T固有SNR优势（理论上为3.0 T的1.67倍）为高加速因子（ACS8）提供物理基础，并采用STIR序列确保脂肪抑制均匀性，技术策略与3.0 T研究存在本质差异。

3.4 局限性

       本研究存在一定的局限性：首先，本研究属于单中心研究，在单一设备平台进行，ACS与DLR为厂商专有算法，ACS2作为参照，存在压缩感知重建带来的固有误差，结论推广需谨慎。其次，样本量有限（恶性病灶13例），未能按病理类型或大小分层分析。最后，未独立验证病灶检出率及诊断效能；且同一组患者，无法行诊断敏感性和特异性的配对比较。后续需扩大样本，开展多中心研究并纳入独立验证集，完成诊断准确性评估，明确不同加速方案对临床诊断决策的实际影响。

4 结论

       综上所述，ACS8联合DLR-5可在确保图像质量的前提下显著缩短扫描时间，是5.0 T乳腺非增强快速T2WI的优选参数组合。该方案不仅提升了患者耐受度和检查通量，为高质量、高效率的非增强乳腺MRI快速扫描提供可行的技术参考。