随着低剂量胸部CT在体检筛查中的广泛应用，纵隔肿瘤的检出率显著提升，但是，低剂量 CT软组织分辨率较低，不能对纵隔肿瘤进行更明确的定性诊断，因此，需要进一步的影像学检查明确肿瘤性质^[1]。磁共振是目前软组织分辨率较高的影像学检查技术，其中 T2 加权成像（T2 weighted imaging，T2WI）序列对于病灶的显示敏感，在纵隔肿瘤的定性诊断中有着重要的临床应用价值^[2]。联合脂肪抑制技术的快速自旋回波（turbo spin echo，TSE）⁃T2WI 序列是应用在体部较为成熟的 T2WI 序列，但是， TSE⁃T2WI序列对于运动伪影敏感，临床实践中常应用呼吸门控技术减少运动伪影，这样又大大增加了扫描时间^[3]。本研究采用基于深度学习重建（deep learning reconstruction，DLR）的 TSE ⁃ T2WI（TSE ⁃ T2WI_DLR）序列，通过离散、随机的数据欠采样加快扫描速度，并结合基于卷积神经网络（convolutional neural network，CNN）的 DLR 算法来弥补采样数据不足导致的图像质量下降，有学者将该DLR技术应用到肝脏、盆腔和肌骨等部位，均取得了较好的效果^[4-7]，但是，在纵隔这类运动伪影较多、组织成分较复杂部位的应用研究还较少。因此，本研究对35例纵隔肿瘤患者行常规TSE⁃T2WI序列和TSE⁃T2WI_DLR 序列扫描，分析和比较两个序列的图像质量，探讨 TSE⁃T2WI_DLR序列在纵隔MRI扫描中的应用价值。

1 对象和方法

1.1 对象

于 2023 年 5—11 月在南京医科大学第一附属医院征集志愿者 35 例，其中，男 19 例，女 16 例；年龄 21~74（52±16）岁。纳入标准：①临床医生根据病史、临床症状及相关检查初步诊断为纵隔肿瘤； ②图像质量好，无明显运动伪影；③无 MRI 检查禁忌证。排除标准：①患者无法耐受磁共振检查或存在磁共振检查禁忌证；②图像质量无法评估或诊断。本研究经本院伦理委员会审核批准（批件编号：2023⁃YKL02⁃002），所有受试者在检查前均已签署知情同意书。

1.2 方法

1.2.1 检查方法

采用德国西门子Skyra3.0T MRI 扫描系统。扫描前要求患者禁食不少于 4 h，扫描体位采用仰卧位，头先进，深呼气后绑紧腹带并对患者进行呼吸训练，线圈中心置于剑突下3 cm处，并设该位置为磁场定位中心。常规T2WI扫描参数：视野（field of view，FOV）为300 mm×300 mm，重复时间（repetition time，TR）为 3 100 ms，回波时间（echo time，TE）为 99 ms，扫描层数 18，层间距为 0.8，层厚为 4 mm，翻转角为 120°，相位编码方向为左右方向，脂肪抑制技术为SPAIR，呼吸导航触发，扫描时间依据患者呼吸频率由序列自动生成。T2WI_DLR 扫描参数：TR、TE、翻转角、FOV、扫描层数、层间距、层厚与常规 T2WI序列相应参数相同，扫描时间约为64 s，分3次屏气完成。

1.2.2 图像分析

由 2 位工作经验 10 年以上的放射科医师各自独立，从图像清晰度（图像整体的颗粒感和组织之间边缘的清晰程度）、病灶细节显示能力、伪影（主要指相位编码伪影、运动伪影等）和整体图像质量对 T2WI_DLR和常规 T2WI 两组图像质量进行定性评分，意见不一致时通过讨论共同决定最终结果。采用李克特量表对上述指标进行评估^[4]，李克特量表评分范围为 1~5 分，其中 5 分为最佳。具体评分标准为：①伪影（伪影非常严重，无法诊断，1分；伪影严重，图像失真，2分；伪影适中，不干扰诊断，3分； 伪影少，图像质量好，4 分；无伪影，图像质量非常好，5分）；②图像清晰度（边缘严重模糊，无法诊断， 1分；边缘模糊，缺乏诊断信心，2分；中度模糊，诊断置信度低，3分；边缘稍模糊，4分；图像清晰，5分）； ③病灶细节显示能力（细节完全无法显示，1分；细节显示不清，2分；有一定的细节显示能力，3分；细节显示较好，4分；细节显示优秀，5分）；④整体图像质量（无法诊断，1分；图像质量差，2分；图像质量中等，3分；图像质量较好，4分；图像质量优秀，5分）。

定量评估：使用美国电气制造商协会（NEMA） 推荐的方法计算图像信噪比（signal to noise ratio， SNR）和对比噪声比（contrast to noise ratio，CNR）^[7]。采用感兴趣区法（region of interest，ROI）测量和比较两组图像病灶 SNR（SNR _病灶）和病灶与竖直肌的 CNR（CNR _{病灶/肌肉}）^[8]，具体操作如下：在病灶显示最大层面选取病灶和同层面竖直肌为ROI，手动沿病灶边缘勾勒 ROI，竖直肌和空气的 ROI 为圆形，大小 15~20 mm²。记录各 ROI 的 MR 信号值（signal intensity，SI）及标准差（standard deviation，SD），记录同层面空气的的 SD 值为噪声，并依据公式计算各 ROI的SNR（SNR_ROI）和同层面不同解剖组织之间的 CNR，SNR和CNR计算公式如下：SNR_病灶= SI_病灶/SD_空气， CNR _{病灶/肌肉}=|SI _病灶-SI _肌肉|/ SD _空气。

1.3 统计学方法

本次实验的数据利用 SPSS27.0 软件包来进行分析处理，等级资料采用中位数（四分位数）[M（P₂₅， P₇₅）]描述，组间比较采用 Mann⁃Whitney 检验。定量资料首先采用 Kolmogorov⁃Smirnov 法进行正态性检验，符合正态分布的定量资料采用均数±标准差（$\stackrel{-}{x}\pm s$）描述，组间比较采用配对t检验，不符合正态分布的定量资料采用中位数（四分位数）[M（P₂₅， P₇₅）]表示，组间比较采用Wilcoxon 秩和检验。2位医师定性和定量结果的一致性分析分别采用Kappa 分析和组内相关系数（intra ⁃class correlation coeffi⁃ cient，ICC）评价，Kappa值和ICC值 <0.4为一致性差， 0.4~0.6为一致性中等，0.6~0.8为一致性好，>0.8为一致性优。如果2位医师评估结果一致性好，采用医师 1 的评估结果为后续统计学分析，否则以 2 位医师评估的平均值作为最终结果纳入后续统计学分析。P <0.05为差异有统计学意义。

2 结果

2.1 扫描时间

本研究中，T2WI_DLR扫描时间为64 s，常规T2WI 的扫描时间为81 s。T2WI_DLR扫描时间较常规T2WI扫描时间缩短了约21%。

2.2 图像定性分析结果

T2WI_DLR与常规 T2WI 图像质量的比较见图1。 2 位医师定性分析的结果一致性较好（Kappa：0.72~0.88，P均 <0.05），定性评估结果显示，基于DLR的 T2WI_DLR图像的伪影较常规T2WI序列减少，T2WI_DLR 序列在图像清晰度、病灶细节显示能力、整体图像质量获得5分评级的病例分别为25例（71.4%）、 26 例（74.3%）、19 例（54.3%），明显优于常规 T2WI 序列[图像清晰度、病灶细节显示能力、整体图像质量获得 5 分评级的病例分别为 12 例（34.3%）、8 例 （22.9%）、6 例（17.1%）]。经 Mann⁃Whitney 检验表明，T2WI_DLR图像的伪影、图像清晰度、病灶细节显示能力、整体图像质量的评分均优于常规T2WI，各指标之间差异均有统计学意义（P均 <0.001，表1）。

2.3 图像定量分析结果

T2WI_DLR与常规T2WI图像质量的定量分析比较结果见表2。2 位医师定量评估结果的一致性好 （ICC≥0.676）。Wilcoxon 秩和检验表明，T2WI_DLR图像的SNR _病灶和CNR _{病灶/肌肉}均优于常规T2WI（SNR _病灶： Z=5.045，P <0.001；CNR _{病灶/肌肉}：Z=3.571，P <0.001）。

3 讨论

T2WI 在纵隔肿瘤的定性诊断中有重要价值， DLR是新兴的MRI重建算法，本研究是首次探讨基于DLR的T2WI序列在提升纵隔MRI图像方面的临床应用价值，结果显示，T2WI_DLR序列较常规T2WI序列降低了图像伪影，提高了图像 SNR 和 CNR；在病灶显示方面，T2WI_DLR图像清晰度和病灶细节显示能力的得分均优于常规T2WI，并且，T2WI_DLR序列缩短了扫描时间。由此可见，T2WI_DLR序列能够补充和替代常规T2WI应用于纵隔MRI扫描。

DLR技术作为一种基于人工智能和机器学习的新型算法，可以广泛应用于医学影像学图像的处理和分析^[9-10]。本研究采用的 DLR 是目前在 MRI 图像重建中应用较为广泛的，基于卷积神经网络 （convolutional neural network，CNN）的DLR^[10]。该技术主要采用了数据驱动重建算法，首先，采用大量 MR 图像训练算法，构建出具有图像关键信息特征参数的数据模型，即 CNN；然后，在图像采集时，通过K空间非规则的数据欠采样减少序列扫描时间； 最后，在图像重建时，将图像数据与CNN的数据模型拟合，依据其中先验的图像特征参数，最大限度恢复欠采样的数据，弥补采样数据不足带来的图像质量下降，从而重建出较高质量的MR图像^[9-11]。

DLR由Wang等^[5] 于2016年首先用于MRI图像重建，但是在随后的应用中，学者们发现该算法会由于过度拟合而不太稳定，具体表现为过度的去噪声、过度的对比度增强和图像细节的丢失等问题^[9-10]。此后，学者们陆续提出了诸如数据一致性和图像协调化操作、U型网络结构以及混合空间双域重建等一系列措施优化算法，其中数据一致性和图像协调化操作提高了算法的鲁棒性和稳定性，U型结构网络优化了原有的CNN结构，可以防止数据与模型的过度拟合，混合双域重建不仅利用K空间域的数据，还利用图像域的数据对图像进行重建，这样可以利用两域的数据相互修正，最大限度减少重建数据与实际采集数据之间的误差，减少图像细节的丢失^[9-13]。 Herrmann 等^[10，13] 将改进后的 DLR 与自旋回波序列的T2WI相结合，应用在腹部和肌骨扫描，Ueda等^[4] 和可赞等^[14] 将DLR应用在盆腔的MRI扫描，均认为优化后的DLR 可以缩短扫描时间，降低图像噪声，提高图像的SNR和清晰度。

本研究结果表明，TSE⁃T2WI_DLR序列图像的定性和定量评估结果均优于TSE⁃T2WI，这符合我们的理论预期。本文采用的 DLR 算法引入了注意力模块优化U型网络结构，注意力模块设计算法会对K空间决定图像质量的关键区域投入更多的算力资源进行重建，K空间高频部分是决定图像质量的关键部位，该区域的数据决定了图像SNR和CNR^[3]。国内外学者的研究表明，DLR通过对K空间高频部分的数据进行插值重建，来弥补数据欠采样导致的该区域数据不足，因此能够提高图像的 SNR 和 CNR^{[10，13，15]}。本文研究定量评估结果与文献报道一致，TSE ⁃ T2WI_DLR 序列的 SNR 和 CNR 均高于常规 T2WI。

DLR算法通过多次迭代的步骤，可以过滤图像中的噪声，具有强大的降噪效果，并且多次迭代将采集的实际数据与CNN中图像特征参数拟合，也能修复各种来源导致的相位编码错位引起的伪影，这类伪影在纵隔 MRI 图像中主要表现为相位编码方向上心血管的搏动伪影。本文的定性评估结果表明，T2WIDLR序列在减少这类伪影上尤其具有优势。 DLR通过提高图像的SNR、CNR，减少伪影和噪声提高了T2WIDLR序列图像的清晰度和整体质量。因此，本研究对T2WIDLR序列图像清晰度和整体图像质量的定性评分高于常规T2WI。

据文献报道，在对解剖结构和病灶细节显示能力方面，DLR可能会过度拟合，导致过度降噪，丢失正常组织解剖结构和病灶的细节^[12，14]。针对这一问题，学者们通过引入递归残差模块和注意力模块等优化算法的 U 型网络结构，同时引入双域重建措施，这些措施均充分有效地利用了实际采集的图像数据，最大限度修正重建数据与实际采集数据之间的误差，从而避免了最终输出的重建数据与 CNN 模型的过度拟合，最大限度地重建组织结构的细节^[9-10]。王绎忱等^[15] 和张馨心等^[16] 的研究证明，优化后的 DLR 算法能够较好地显示解剖结构和病灶细节，本研究定性评估结果也显示，T2WI_DLR序列在纵隔病灶细节显示方面优于常规T2WI序列。

在提高图像质量的同时，T2WI_DLR序列较常规 T2WI序列节约了21%扫描时间，这主要得益于DLR 算法在图像采集阶段对时间的节约，包括 K 空间离散数据欠采样和激励次数的减少等。但是相较于文献报道的 DLR 算法可以减少 50%左右的扫描时间^[10-13]，本文在节省时间方面的优势似乎并不明显，这主要是由于笔者并没有依照文献的经验调低 T2WI_DLR序列一些重要的图像参数，诸如相位编码过采集、激励次数和相位编码分辨率等，调低这些参数能够进一步减少扫描时间，但是会导致图像质量的明显下降，如何合理设置DLR 扫描参数，也是值得今后深入研究的方向。

本研究的局限性：首先，由于样本量较少，并未对不同性质病灶的信号特征作深入分析，在今后的研究中可扩大样本量对不同性质的病灶作更为细化的研究；其次，由于T2WI_DLR序列和常规T2WI均未采用呼吸导航技术，这带来两序列对比层面出现错层的情况，本研究中通过在扫描前对患者进行严格的呼吸训练，同时采用呼气末屏气采集的方式，尽量保持呼吸幅度一致来减少层面误差，并剔除错层较为严重的病例。

综上所述，纵隔T2WI_DLR序列提高了图像SNR、 CNR，减少了图像伪影，在图像清晰度、对病灶细节的显示和整体图像质量评分方面均优于常规T2WI，并且缩短了扫描时间，可以作为常规 T2WI 用于纵隔扫描的补充和替代。

参考文献