Page 64 - 南京医科大学自然版
P. 64

第44卷第6期
               ·800 ·                            南 京    医 科 大 学 学         报                        2024年6月


                                           表2 T2WI和T2WIDLR两序列图像定量比较结果
                                   Table 2 Quantitative comparison between T2WI and T2WIDLR images  ［M（P25，P75）］

                  Quantitative evaluation index     T2WI（n=35）               T2WIDLR （n=35）            P
                                                114.50（58.18，152.14）       148.33（90.53，282.00）      < 0.001
                  SNRlesion
                                                081.00（30.00，108.26）       086.67（48.89，200.00）      < 0.001
                  CNRlesion/muscle


                                                                的 T2WI 相结合，应用在腹部和肌骨扫描，Ueda 等                ［4］
              3 讨    论
                                                                和可赞等    ［14］ 将DLR应用在盆腔的MRI扫描，均认为
                  T2WI 在纵隔肿瘤的定性诊断中有重要价值，                        优化后的 DLR 可以缩短扫描时间，降低图像噪声，
              DLR是新兴的MRI重建算法，本研究是首次探讨基                          提高图像的SNR和清晰度。
              于DLR的T2WI序列在提升纵隔MRI图像方面的临                              本研究结果表明，TSE⁃T2WIDLR序列图像的定性
              床应用价值，结果显示，T2WIDLR序列较常规T2WI序                      和定量评估结果均优于TSE⁃T2WI，这符合我们的理
              列降低了图像伪影，提高了图像 SNR 和 CNR；在病                       论预期。本文采用的 DLR 算法引入了注意力模块
              灶显示方面，T2WIDLR图像清晰度和病灶细节显示能                        优化 U 型网络结构，注意力模块设计算法会对 K 空
              力的得分均优于常规T2WI，并且，T2WIDLR序列缩短                      间决定图像质量的关键区域投入更多的算力资源
              了扫描时间。由此可见，T2WIDLR序列能够补充和替                        进行重建，K 空间高频部分是决定图像质量的关键
                                                                                                        ［3］
              代常规T2WI应用于纵隔MRI扫描。                                部位，该区域的数据决定了图像 SNR 和 CNR 。国
                   DLR 技术作为一种基于人工智能和机器学习                        内外学者的研究表明，DLR 通过对 K 空间高频部分
              的新型算法，可以广泛应用于医学影像学图像的处                            的数据进行插值重建，来弥补数据欠采样导致的
              理和分析     ［9-10］ 。本研究采用的 DLR 是目前在 MRI              该区域数据不足，因此能够提高图像的 SNR 和
              图像重建中应用较为广泛的，基于卷积神经网络                             CNR ［10，13，15］ 。本文研究定量评估结果与文献报道一
             （convolutional neural network，CNN）的DLR ［10］ 。该技    致，TSE⁃T2WIDLR 序列的 SNR 和 CNR 均高于常规
              术主要采用了数据驱动重建算法，首先，采用大量                            T2WI。
              MR 图像训练算法，构建出具有图像关键信息特征                                DLR 算法通过多次迭代的步骤，可以过滤图像
              参数的数据模型，即 CNN；然后，在图像采集时，通                         中的噪声，具有强大的降噪效果，并且多次迭代将
              过 K 空间非规则的数据欠采样减少序列扫描时间；                          采集的实际数据与CNN中图像特征参数拟合，也能
              最后，在图像重建时，将图像数据与 CNN 的数据模                         修复各种来源导致的相位编码错位引起的伪影，这
              型拟合，依据其中先验的图像特征参数，最大限度                            类伪影在纵隔 MRI 图像中主要表现为相位编码方
              恢复欠采样的数据，弥补采样数据不足带来的图像                            向上心血管的搏动伪影。本文的定性评估结果表
              质量下降，从而重建出较高质量的MR图像                   ［9-11］ 。    明，T2WIDLR序列在减少这类伪影上尤其具有优势。
                                ［5］
                  DLR 由 Wang 等 于 2016 年首先用于 MRI 图像              DLR通过提高图像的SNR、CNR，减少伪影和噪声提
              重建，但是在随后的应用中，学者们发现该算法会由                           高了T2WIDLR序列图像的清晰度和整体质量。因此，
              于过度拟合而不太稳定，具体表现为过度的去噪声、                           本研究对 T2WIDLR序列图像清晰度和整体图像质量
              过度的对比度增强和图像细节的丢失等问题                      ［9-10］ 。  的定性评分高于常规T2WI。
              此后，学者们陆续提出了诸如数据一致性和图像协                                 据文献报道，在对解剖结构和病灶细节显示能
              调化操作、U 型网络结构以及混合空间双域重建等                           力方面，DLR可能会过度拟合，导致过度降噪，丢失
              一系列措施优化算法，其中数据一致性和图像协调                            正常组织解剖结构和病灶的细节               ［12，14］ 。针对这一问
              化操作提高了算法的鲁棒性和稳定性，U 型结构网                           题，学者们通过引入递归残差模块和注意力模块等
              络优化了原有的CNN结构，可以防止数据与模型的                           优化算法的 U 型网络结构，同时引入双域重建措
              过度拟合，混合双域重建不仅利用K空间域的数据，                           施，这些措施均充分有效地利用了实际采集的图像
              还利用图像域的数据对图像进行重建，这样可以利用                           数据，最大限度修正重建数据与实际采集数据之间
              两域的数据相互修正，最大限度减少重建数据与实际                           的误差，从而避免了最终输出的重建数据与 CNN
              采集数据之间的误差，减少图像细节的丢失                      ［9- 13］ 。  模型的过度拟合，最大限度地重建组织结构的细
              Herrmann 等 ［10，13］ 将改进后的 DLR 与自旋回波序列              节 ［9-10］ 。王绎忱等  ［15］ 和张馨心等    ［16］ 的研究证明，优
   59   60   61   62   63   64   65   66   67   68   69