分享:
分享到微信朋友圈
X
技术研究
人工智能-压缩感知与压缩感知在膝关节MRI中的加速效率及图像质量评价研究
潘珂 刘倩倩 唐玲玲 胡云涛 黄小华

Cite this article as: Pan K, Liu QQ, Tang LL, et al. Study on acceleration efficiency and image quality of artificial intelligence compressed sensing and compressed sensing in knee MRI[J]. Chin J Magn Reson Imaging, 2022, 13(5): 94-98.本文引用格式:潘珂, 刘倩倩, 唐玲玲, 等. 人工智能-压缩感知与压缩感知在膝关节MRI中的加速效率及图像质量评价研究[J]. 磁共振成像, 2022, 13(5): 94-98. DOI:10.12015/issn.1674-8034.2022.05.017.


[摘要] 目的 探讨人工智能-压缩感知(artificial intelligence compressed sensing,ACS)与压缩感知(compressed sensing,CS)在膝关节MRI中的加速效率及对图像质量的影响。材料与方法 采用3.0 T MRI对67名受检者进行膝关节矢状面质子密度加权序列扫描,设置加速因子分别为2.0、2.5、3.0的CS序列(CS 2.0,CS 2.5,CS 3.0)与加速因子分别为2.5、3.0、3.5、4.0的ACS序列(ACS 2.5,ACS 3.0,ACS 3.5,ACS 4.0),以并行采集(parallel imaging,PI) 2.0作为参考。两位医师独立对图像质量进行四分制主观评分。另一位医师在股骨内侧髁、腓肠肌内侧头、髁间窝积液、髌下脂肪垫、股骨外侧髁软骨放置感兴趣区,测量组织信噪比(signal noise ratio,SNR)。对图像质量主观评分与多处组织SNR进行统计学分析。结果 在CS与ACS序列中,扫描时间随加速因子增大而缩短(PI 2.0:152 s;CS 2.0:128 s, CS 2.5:104 s,CS 3.0:86 s;ACS 2.5:76 s,ACS 3.0:65 s,ACS 3.0:57 s,ACS 4.0:51 s)。图像质量主观评分一致性达到一致性较强以上(0.735≤κ≤0.869)。8组序列间图像质量主观评分及五处组织SNR差异均具有统计学意义(P<0.05)。CS 2.0、ACS 3.0主观评分及组织SNR与PI 2.0差异无统计学意义(P>0.05)。AC S2.5主观评分及四处组织SNR与PI 2.0差异无统计学意义(P>0.05),并有一处组织SNR明显高于PI 2.0。CS 2.5、CS 3.0、ACS 3.5、ACS 4.0图像质量主观评分明显低于PI 2.0,且分别有1、5、2、2处组织SNR显著低于PI 2.0 (P均<0.05)。结论 ACS与CS均能缩短磁共振采集时间。相比CS,ACS具有更高加速效率,在膝关节质子密度加权序列中,在保证图像质量的前提下能将扫描时间缩短57%。
[Abstract] Objective To evaluate the utility of compressed sensing (CS) and artificial intelligence compressed sensing (ACS) in knee magnetic resonance imaging (MRI) and the effect on image quality.Materials and Methods Sixty-seven subjects were scanned with a 3.0 T scanner, undergoing proton density weighted imaging (PDWI) using three CS factors (CS 2.0, CS 2.5, CS 3.0), four ACS factors (ACS 2.5, ACS 3.0, ACS 3.5, ACS 4.0), with parallel imaging (PI) 2.0 as the reference. Two independent readers rated the overall image quality with a 4-point subjective scale. ROIs were placed on media femoral condyle, the medial head of gastrocnemius muscle, the intercondylar fossa effusion, the infrapatellar fat pad and lateral condylar cartilage of femur to measure signal intensity and noise, then signal-to-noise (SNR) were calculated as objective index. For the subjective scoring inter-rater reliability of the two readers was calculated using Cohen kappa statistics and the subjective scores and objective index were evaluated using Kruskal-Walli's test and Wilcoxon signed rank test with SPSS 23.0 software.Results Scan time decreased with increasing acceleration factors (PI 2.0: 152 s; CS 2.0: 128 s, CS 2.5: 104 s, CS 3.0: 86 s; ACS 2.5: 76 s, ACS 3.0: 65 s, ACS 3.0: 57 s, ACS 4.0: 51 s). The results of subjective scores by two readers showed strong agreement and almost perfect agreement (0.735≤κ≤0.869). There was significant difference in subjective scores and SNR among the 8 groups (P<0.05). There was no significant difference in subjective scores and 5 SNRs between CS 2.0, ACS 3.0 and PI 2.0 respectively (P>0.05). There was no significant difference in subjective scores and 4 SNRs between ACS 2.5 and PI 2.0, while a SNR of ACS 2.5 was higher than that of PI 2.0 significantly (P<0.05). The subjective scores of CS 2.5, CS 3.0, ACS 3.5, ACS 4.0 were lower than that of PI 2.0 significantly, and there was 1, 5, 2, 2 SNRs lower than those of PI 2.0 respectively(P<0.05).Conclusions ACS and CS could accelerate shorten MR acquisition time. Compared with CS, ACS was more effectively, and ACS could reduce the acquisition time by 57% on the premise of ensuring image quality in keen PDWI.
[关键词] 人工智能-压缩感知;压缩感知;磁共振成像;膝关节;加速采集
[Keywords] artificial intelligence compressed sensing;compressed sensing;magnetic resonance imaging;knee;acceleration

潘珂    刘倩倩    唐玲玲    胡云涛    黄小华 *  

川北医学院附属医院放射科,南充 637000

黄小华,E-mail:15082797553@163.com

作者利益冲突声明:全体作者均声明无利益冲突。


基金项目: 南充市市级应用技术研究与开发项目 20YFZJ0108
收稿日期:2021-10-22
接受日期:2022-04-28
中图分类号:R445.2  R684 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.05.017
本文引用格式:潘珂, 刘倩倩, 唐玲玲, 等. 人工智能-压缩感知与压缩感知在膝关节MRI中的加速效率及图像质量评价研究[J]. 磁共振成像, 2022, 13(5): 94-98. DOI:10.12015/issn.1674-8034.2022.05.017.

       膝关节是人体重要的负重关节,骨关节炎[1, 2]、急慢性损伤所致的半月板[3]及韧带损伤[4, 5]等因素导致的患肢疼痛、畸形及功能障碍降低患者劳动能力,严重影响本人及家庭生活质量;若能早期诊断,及时地进行个体化治疗有利于减轻疼痛、延缓病情进展、改善关节功能、提高患者生活质量[6, 7]。磁共振成像(magnetic resonance imaging,MRI)具有非侵入性、多参数多对比等优点,在此类疾病早期诊断中具有重要价值,已成为不可替代的检查方法[8, 9]。MRI的一个重要特点是检查时间长,在检查过程中受检部位须完全制动。但在骨关节炎或急慢性损伤等情况下,受检者因患肢疼痛不适难以全程制动,图像出现严重运动伪影,导致检查失败。因此膝关节MRI加速采集技术越来越受到关注。

       目前广泛应用的加速采集技术包括并行采集(parallel imaging,PI)[10]与压缩感知(compressed sensing,CS)[11, 12]。近来有学者提出一项新的加速采集技术,人工智能-压缩感知(artificial intelligence compressed sensing,ACS)[13, 14, 15]。在ACS中,卷积神经网络预先从大量全采样的图像中学习图像结构与内容信息,然后将此类先验信息应用到亚采样图像重建中,减少图像重建所需的采样点数目,从而缩短采集时间。目前国内外关于ACS在磁共振加速采集中的研究多为算法理论研究[16, 17, 18],国外已有少量临床应用研究,目前局限在颅脑、肝脏、前列腺图像采集[19, 20, 21, 22],且为单一加速因子的ACS序列的研究,至今国内外未见关于加速因子对图像质量影响的研究报道。本研究将应用不同加速因子的CS、ACS的质子密度加权序列图像分别与经典加速采集技术PI进行比较,探讨加速因子对采集时间与图像质量的影响,在ACS临床应用中具有很高的指导意义。本研究将对CS、ACS对图像质量、噪声、伪影及与图像信噪比(signal noise ratio,SNR)等方面的影响进行深入分析。

1 材料与方法

1.1 研究对象

       本研究为前瞻性研究,通过川北医学院附属医院医学伦理委员会批准(批准文号:2021ER162-1),全体受试者均已签署知情同意书。本研究连续纳入2021年7月至2021年8月因膝关节疼痛进行MRI检查的受检者67名,其中男31名,女36名,年龄21~67 (42.6±12.0)岁。受检者纳入标准:(1)无磁共振检查禁忌证;(2)年龄大于18岁。排除标准:(1)近六个月内接受膝关节手术;(2)膝关节手术后存在金属植入物;(3)股骨外侧髁骨髓、股骨内侧髁软骨及髌下脂肪垫信号异常影响数据测量;(4)无法完成全部扫描序列。

1.2 研究仪器、扫描方法及技术参数

       本研究采用3.0 T超导磁共振成像仪(uMR790,上海联影医疗科技有限公司,中国)与膝关节专用12通道相控阵线圈(上海联影医疗科技有限公司,中国)。所有受检者采用仰卧位,足先进。扫描方位及序列为矢状面质子密度加权序列,分别采用PI、CS及ACS进行加速采集,各序列几何参数与对比参数保持一致:FOV 160 mm×160 mm,采集矩阵304×259,重建矩阵456×387,层厚3 mm,层间隔 0,层数24;TR 3000 ms,TE 32 ms。设置PI序列加速因子为2.0。基于设备序列模型,设置加速因子分别为2.0、2.5、3.0的CS序列与加速因子分别为2.5、3.0、3.5、4.0的ACS序列,扫描结束后在设备内进行自动图像重建。

1.3 图像分析

1.3.1 图像质量主观评价

       本研究采用医学影像处理软件(uWS-MR,上海联影医疗科技有限公司,中国)进行图像评价与数据测量。分别由一名具有12年骨关节影像诊断经验的主治医师与一名具有5年骨关节影像诊断经验的医师在对成像参数不知情的情况下独立对图像质量进行主观评价,采用四级评分法:1分为图像质量好,无伪影及噪声,组织结构细节清晰;2分为图像质量较好,存在少量噪声或伪影,组织结构细节清晰;3分为图像存在噪声或伪影,组织结构细节较清晰;4分为图像存在明显噪声或伪影,组织结构细节模糊。

1.3.2 多处组织SNR测量

       另一名医师在对成像参数不知情的情况下对图像进行定量分析,在相同层面的股骨内侧髁、腓肠肌内侧头、髁间窝积液、髌下脂肪垫与股骨外侧髁软骨前部[23]放置面积分别约40、50、1.5~4、20、1.5 mm2的椭圆形感兴趣区,测量组织信号强度及噪声,计算SNR。

1.4 统计学分析

       使用SPSS 23.0软件进行统计学分析。采用Cohen κ检验对2名医师的图像质量主观评价结果进行一致性检验。κ≤0.20认为一致性较差,0.21<κ≤0.40认为一致性一般,0.41<κ≤0.60认为一致性中等,0.61<κ≤0.80认为一致性较强,0.81<κ≤1.00认为一致性强。若一致性超过中等,选择高年资医师(具有12年骨关节影像诊断经验)主观评分结果进一步分析。采用Kruskal-Wallis检验进行8组序列的图像质量评分与各部位SNR整体差异分析。若差异具有统计学意义,进一步采用Wilcoxon符号秩和检验将CS、ACS各序列与PI 2.0进行两两比较。各数据均采用x¯±s表示,P<0.05认为差异具有统计学意义。

2 结果

2.1 序列采集时间比较

       PI 2.0采集时间152 s;CS 2.0、CS 2.5、CS 3.0采集时间分别为128、104、86 s,较PI 2.0分别缩短16%、32%、43%;ACS 2.5、ACS 3.0、ACS 3.5、ACS 4.0采集时间分别为76、65、57、51 s,较PI 2.0分别缩短50%、57%、63%、66%。

2.2 两位医师图像质量主观评分一致性分析

       在图像质量主观评分中,两位医师对PI 2.0、CS 2.0、CS 2.5、CS 3.0、ACS 2.5、ACS 3.0、ACS 3.5、ACS 4.0 8组序列的图像质量主观评分一致性较强至一致性强(κ分别为0.735、0.765、0.805、0.830、0.785、0.798、0.835、0.869,P均<0.05)。

2.3 各组序列图像质量比较

       8组序列间医师主观评分及股骨内侧髁SNR、腓肠肌内侧头SNR、髁间窝积液SNR、髌下脂肪垫SNR、股骨外侧髁软骨SNR差异均具有统计学意义(P均<0.05) (表1)。

       进一步对CS与ACS各序列的主观评分进行分析,并将5处组织SNR与PI 2.0进行两两比较,结果见表2。CS 2.0、ACS 2.5、ACS 3.0图像质量医师主观评分与PI 2.0之间差异无统计学意义,CS 2.5、CS 3.0、ACS 3.5、ACS 4.0评分显著低于PI 2.0 (P<0.05)。两位医师对图像质量进行评分时发现随加速因子增大,CS序列图像噪声增加;ACS则表现为图像模糊(图1)。

       7组序列组织SNR与PI 2.0进行两两比较,结果显示:ACS 2.5股骨内侧髁SNR高于PI 2.0,CS 3.0股骨内侧髁SNR低于PI 2.0,差异均具有统计学意义(P均<0.05),其他序列与PI 2.0差异无统计学意义;CS 3.0、ACS 4.0腓肠肌内侧头SNR显著低于PI 2.0 (P<0.05),其他序列与PI 2.0差异无统计学意义;CS 2.5、CS 3.0、ACS 3.5髁间窝积液SNR显著低于PI 2.0 (P<0.05),其他序列与PI 2.0差异无统计学意义;CS 3.0髌下脂肪垫SNR显著低于PI 2.0 (P<0.05),其他序列与PI 2.0差异无统计学意义;CS 3.0与ACS 3.5、ACS .0股骨外侧髁软骨SNR显著低于PI 2.0 (P<0.05),其他序列与PI 2.0差异无统计学意义(表2)。

图1  男,39岁,外侧半月板前角撕裂。PI 2.0与不同加速因子的CS、ACS膝关节矢状面脂肪抑制质子密度加权序列对比。1A~1H分别为PI 2.0、CS 2.0、CS 2.5、CS 3.0、ACS 2.5、ACS 3.0、ACS 3.5、ACS 4.0。在CS序列中,随加速因子增大,图像噪声增多(1C、1D);在ACS序列中,加速因子增大,图像模糊增加,组织细节显示不清(1G、1H)。PI:并行采集;CS:压缩感知;ACS:人工智能-压缩感知。
Fig. 1  Male, 39 years old, with a tear of the anterior horn of the lateral meniscus. Comparison of the reference parallel imaging (PI) 2.0 with the compressed sensing (CS) and Artificial intelligence compressed sensing (ACS) with different acceleration factors in the sagittal fat-saturated proton density weighted imaging of the knee. 1A-1H were PI 2.0, CS 2.0, CS 2.5, CS 3.0, ACS 2.5, ACS 3.0, ACS 3.5 and ACS 4.0 respectively. A noise enhancement can be observed in the sequences with increased acceleration factor in CS (1C, 1D). In ACS, with acceleration factor increasing, the images became blurrier (1G, 1H).
表1  8组序列医师主观评分及组织SNR分析结果
Tab. 1  The scores of subjective image quality evaluation and tissue SNR in eight sequences
表2  CS、ACS组序列医师主观评分级组织SNR与PI 2.0比较
Tab. 2  The statistical analysis results for the scores of subjective image quality evaluation and tissue SNR of CSs and ACSs compared with PI 2.0

3 讨论

       本研究采用不同加速因子的CS (CS 2.0、CS 2.5、CS 3.0)、ACS (ACS 2.5、ACS 3.0、ACS 3.5、ACS 4.0)对膝关节矢状位二维质子密度加权序列进行加速采集,就图像质量定量分析指标SNR及医师主观评分将其与目前已实现广泛临床应用的PI进行比较。研究结果显示在保证组织SNR与图像质量的前提下,CS 2.0可将扫描时间缩短16%;ACS能够进一步缩短扫描时间,最大可应用加速因子ACS 3.0可将扫描时间缩短57%。本研究是目前国内外首次联合多个加速因子的CS及ACS加速序列图像与经典加速采集技术PI进行比较,分析CS及ACS中加速因子对采集时间与图像质量的影响,对ACS的临床应用有很高的指导意义,为临床常规检查应用中ACS加速因子的选择提供重要参考。

3.1 与既往CS技术相关研究比较

       本研究结果显示,在保证图像质量的前提下,CS在二维成像中可应用的最大加速因子为CS 2.0 (扫描时间缩短16%)。若增大加速因子,则随着加速因子的增大,CS 2.5 (扫描时间缩短32%)与CS 3.0 (扫描时间缩短43%)图像质量及多处组织SNR显著低于PI 2.0。Iuga等[24]研究结果显示在膝关节二维成像中CS可应用最大加速因子为CS 2.0,与本文研究结果相符。在Bratke等[25]关于腰椎成像的研究中,三维矢状位CS相较于二维横断面与矢状面的组合可将成像时间缩短45%;王诗瑜等[26]研究结果显示在肝脏容积成像中,三维CS可将采集时间缩短51%。分析发现,本研究采用二维成像,图像仅在一个维度上具有可压缩性,CS加速效率有限;在三维或动态成像中,图像在多个维度具有稀疏性,CS可具有更高的加速效率,因此在三维成像中,CS可更大幅度提高采集速度。

3.2 与现有ACS技术相关研究比较

       在本研究中,ACS在二维成像中可应用的最大加速因子为ACS 3.0 (扫描时间缩短57%),ACS 3.5与ACS 4.0虽能更多缩短扫描时间(分别缩短63%、66%),但图像中多处组织SNR及图像质量主观评分下降,难以满足诊断要求。在Ueda等[27]将ACS应用于在女性盆腔T2加权成像及Gassenmaier等[28]将ACS应用于前列腺T2加权成像的研究中,均采用单一加速因子进行加速采集,分别将扫描时间缩短44%与65%,与本研究结果相似。Kim等[29]将单一加速因子的ACS应用于前列腺T2加权成像加速采集的研究中,达到与标准序列相似的图像质量时可将扫描时间缩短75%;此研究中,应用ACS进行加速采集时降低了图像空间分辨率,因此可以更大幅度缩短采集时间。Herrmann等[30]在上腹部T2加权成像研究中发现,在图像质量及病灶检出方面,ACS序列与常规序列相当,且扫描时间缩短高达93%,分析原因为常规序列为呼吸触发扫描的序列,而ACS加速序列为屏气采集序列,故而可极大程度降低数据采集需要的时间。在Recht等[31]有关膝关节多对比成像的研究中,相比标准PI 2.0,ACS可实现1.88倍加速采集,低于本研究中ACS 3.0 (152 s/62 s)的2.3倍加速;分析发现,本研究利用设备配备的序列模板设置多个的加速因子进行采集,Recht则是采用研究者独立训练的序列模型进行数据采集,前期进行网络训练的全采样数据样本量较小,且在采用单一加速的因子的ACS进行后期实验,可能未完全利用ACS技术加速数据采集的性能。

3.3 CS与ACS图像质量主观评分下降的不同表现

       本研究还注意到CS与ACS随加速因子增大,扫描时间缩短的同时医师图像质量主观评分逐渐降低,但CS与ACS评分降低的原因不尽相同。CS序列随加速因子增大,图像噪声增多,在最大加速因子CS 3.0中,噪声甚至导致部分组织显示不清。而ACS序列随加速因子增大,图像模糊程度增加,组织结构与细节显示不清。由于目前有关ACS图像质量评价的研究较少,本研究进行了加速因子对质子密度加权序列图像质量影响的研究,后续需要多种对比度、多中心研究的图像数据对这一现象及其原因进行探讨。

3.4 局限性

       本研究存在一些局限性,首先本研究对比了不同加速因子的ACS与CS对膝关节质子密度加权序列图像质量的影响,尚未对ACS与CS加速序列在不同病理改变中的诊断效能进行评价,在后续研究中,可扩大样本量,收集存在不同病理改变的受检者,对ACS与CS诊断效能进行分析。

       综上所述,ACS与压缩均能缩短磁共振采集时间,ACS与CS均能缩短磁共振采集时间。相比CS,ACS具有更高加速效率,在膝关节质子密度加权序列中,在保证图像质量的前提下可将扫描时间缩短57%,提高检查效率。

[1]
Liu Q, Niu JB, Li H, et al. Knee symptomatic osteoarthritis, walking disability, NSAIDs use and all-cause mortality: population-based Wuchuan osteoarthritis study[J]. Sci Rep, 2017, 7(1): 3309. DOI: 10.1038/s41598-017-03110-3.
[2]
Silverwood V, Blagojevic-Bucknall M, Jinks C, et al. Current evidence on risk factors for knee osteoarthritis in older adults: a systematic review and meta-analysis[J]. Osteoarthritis Cartilage, 2015, 23(4): 507-515. DOI: 10.1016/j.joca.2014.11.019.
[3]
Liu Y, Du GY, Liu J. Meniscal anterior and posterior horn heights are associated with MRI-defined knee structural abnormalities in middle-aged and elderly patients with symptomatic knee osteoarthritis[J]. BMC Musculoskelet Disord, 2022, 23: 218. DOI: 10.1186/s12891-022-05143-w.
[4]
Li XS, Hou Q, Zhan XH, et al. The accuracy of MRI in diagnosing and classifying acute traumatic multiple ligament knee injuries[J]. BMC Musculoskelet Disord, 2022, 23(1): 43. DOI: 10.1186/s12891-021-04976-1.
[5]
Phelan N, Rowland P, Galvin R, et al. A systematic review and meta-analysis of the diagnostic accuracy of MRI for suspected ACL and meniscal tears of the knee[J]. Knee Surg Sports Traumatol Arthrosc, 2016, 24(5): 1525-1539. DOI: 10.1007/s00167-015-3861-8.
[6]
中华医学会骨科学分会关节外科学组, 中国医师协会骨科医师分会骨关节炎学组, 国家老年疾病临床医学研究中心(湘雅医院), 等. 中国骨关节炎诊疗指南(2021年版)[J]. 中华骨科杂志, 2021, 41(18): 1291-1314. DOI: 10.3760/cma.j.cn121113-20210624-00424.
The Joint Surgery Branch of the Chinese Orthopaedic Association, The Subspecialty Group of Osteoarthritis, Chinese Association of Orthopaedic Surgeons, The National Clinical Research Center for Geriatric Disorders (Xiangya Hospital). Chinese guideline for diagnosis and treatment of osteoarthritis (2021 edition)[J]. Chin J Orthop, 2021, 41(18): 1291-1314. DOI: 10.3760/cma.j.cn121113-20210624-00424.
[7]
Kloppenburg M, Berenbaum F. Osteoarthritis year in review 2019: epidemiology and therapy[J]. Osteoarthritis and cartilage, 2020, 28(3): 242-248. DOI: 10.1016/j.joca.2020.01.002.
[8]
Katz JN, Arant KR, Loeser RF. Diagnosis and treatment of hip and knee osteoarthritis: a review[J]. JAMA, 2021, 325(6): 568-578. DOI: 10.1001/jama.2020.22171.
[9]
Ariyachaipanich A, Bae WC, Statum S, et al. Update on MRI pulse sequences for the knee: imaging of cartilage, meniscus, tendon, and hardware[J]. Semin Musculoskelet Radiol, 2017, 21(2): 45-62. DOI: 10.1055/s-0037-1599209.
[10]
Deshmane A, Gulani V, Griswold MA, et al. Parallel MR imaging[J]. J Magn Reson Imaging, 2012, 36(1): 55-72. DOI: 10.1002/jmri.23639.
[11]
Lustig M, Donoho D, Pauly JM. Sparse MRI: the application of compressed sensing for rapid MR imaging[J]. Magn Reson Med, 2007, 58(6): 1182-1195. DOI: 10.1002/mrm.21391.
[12]
Delattre BMA, Boudabbous S, Hansen C, et al. Compressed sensing MRI of different organs: ready for clinical daily practice? [J]. Eur Radiol, 2020, 30(1): 308-319. DOI: 10.1007/s00330-019-06319-0.
[13]
Johnson PM, Recht MP, Knoll F. Improving the speed of MRI with artificial intelligence[J]. Semin Musculoskelet Radiol, 2020, 24(1): 12-20. DOI: 10.1055/s-0039-3400265.
[14]
王一达, 宋阳, 谢海滨, 等. 卷积神经网络重建欠采的磁共振图像[J]. 磁共振成像, 2018, 9(6): 453-459. DOI: 10.12015/issn.1674-8034.2018.06.010.
Wang YD, Song Y, Xie HB, et al. Reconstruction of under-sampled magnetic resonance image based on convolutional neural network[J]. Chin J Magn Reson Imaging, 2018, 9(6): 453-459. DOI: 10.12015/issn.1674-8034.2018.06.010.
[15]
Bustin A, Fuin N, Botnar RM, et al. From compressed-sensing to artificial intelligence-based cardiac MRI reconstruction[J]. Front Cardiovasc Med, 2020, 7: 17. DOI: 10.3389/fcvm.2020.00017.
[16]
Lee D, Lee JG, Ko J, et al. Deep learning in MR image processing[J]. Investig Magn Reson Imaging, 2019, 23(2): 81. DOI: 10.13104/imri.2019.23.2.81.
[17]
Wang XZ, Ma JF, Bhosale P, et al. Novel deep learning-based noise reduction technique for prostate magnetic resonance imaging[J]. Abdom Radiol (NY), 2021, 46(7): 3378-3386. DOI: 10.1007/s00261-021-02964-6.
[18]
Wang K, Tamir JI, de Goyeneche A, et al. High fidelity deep learning-based MRI reconstruction with instance-wise discriminative feature matching loss[J]. Magn Reson Med, 2022, 88(1): 476-491. DOI: 10.1002/mrm.29227.
[19]
Terpstra ML, Maspero M, D'Agata F, et al. Deep learning-based image reconstruction and motion estimation from undersampled radial k-space for real-time MRI-guided radiotherapy[J]. Phys Med Biol, 2020, 65(15): 155015. DOI: 10.1088/1361-6560/ab9358.
[20]
Kim M, Kim HS, Kim HJ, 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.
[21]
Naganawa S, Nakamichi R, Ichikawa K, et al. MR imaging of endolymphatic hydrops: utility of iHYDROPS-Mi2 combined with deep learning reconstruction denoising[J]. Magn Reson Med Sci, 2021, 20(3): 272-279. DOI: 10.2463/mrms.mp.2020-0082.
[22]
Shanbhogue K, Tong A, Smereka P, et al. Accelerated single-shot T2-weighted fat-suppressed (FS) MRI of the liver with deep learning-based image reconstruction: qualitative and quantitative comparison of image quality with conventional T2-weighted FS sequence[J]. Eur Radiol, 2021, 31(11): 8447-8457. DOI: 10.1007/s00330-021-08008-3.
[23]
Peterfy CG, Guermazi A, Zaim S, et al. Whole-organ magnetic resonance imaging score (WORMS) of the knee in osteoarthritis[J]. Osteoarthritis Cartilage, 2004, 12(3): 177-190. DOI: 10.1016/j.joca.2003.11.003.
[24]
Iuga AI, Abdullayev N, Weiss K, et al. Accelerated MRI of the knee. Quality and efficiency of compressed sensing[J]. Eur J Radiol, 2020, 132: 109273. DOI: 10.1016/j.ejrad.2020.109273.
[25]
Bratke G, Rau R, Weiss K, et al. Accelerated MRI of the lumbar spine using compressed sensing: quality and efficiency[J]. J Magn Reson Imaging, 2019, 49(7): e164-e175. DOI: 10.1002/jmri.26526.
[26]
王诗瑜, 刘爱连, 王家正, 等. 压缩感知不同加速因子对肝脏3D-mDixon序列成像质量的影响[J]. 放射学实践, 2020, 35(12): 1605-1609. DOI: 10.13609/j.cnki.1000-0313.2020.12.021.
Wang SY, Liu AL, Wang JZ, et al. Study on the influence of compressed sense technique with different acceleration factors on the image quality of 3D modified-Dixon sequence of liver[J]. Radiol Pract, 2020, 35(12): 1605-1609. DOI: 10.13609/j.cnki.1000-0313.2020.12.021.
[27]
Ueda T, Ohno Y, Yamamoto K, et al. Compressed sensing and deep learning reconstruction for women's pelvic MRI denoising: utility for improving image quality and examination time in routine clinical practice[J]. Eur J Radiol, 2021, 134: 109430. DOI: 10.1016/j.ejrad.2020.109430.
[28]
Gassenmaier S, Afat S, Nickel D, et al. Deep learning-accelerated T2-weighted imaging of the prostate: reduction of acquisition time and improvement of image quality[J]. Eur J Radiol, 2021, 137: 109600. DOI: 10.1016/j.ejrad.2021.109600.
[29]
Kim EH, Choi MH, Lee YJ, et al. Deep learning-accelerated T2-weighted imaging of the prostate: impact of further acceleration with lower spatial resolution on image quality[J]. Eur J Radiol, 2021, 145: 110012. DOI: 10.1016/j.ejrad.2021.110012.
[30]
Herrmann J, Nickel D, Mugler JP, et al. Development and evaluation of deep learning-accelerated single-breath-hold abdominal HASTE at 3 T using variable refocusing flip angles[J]. Invest Radiol, 2021, 56(10): 645-652. DOI: 10.1097/RLI.0000000000000785.
[31]
Recht MP, Zbontar J, Sodickson DK, et al. Using deep learning to accelerate knee MRI at 3 T: results of an interchangeability study[J]. AJR Am J Roentgenol, 2020, 215(6): 1421-1429. DOI: 10.2214/AJR.20.23313.

上一篇 不同压缩感知因子对脑SWI“燕尾征”分析的影响
下一篇 生活满意度的神经机制:来自磁共振成像的证据
  
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