Page 65 - 南京医科大学自然版

第44卷第6期 武鹏飞，徐 海，李泓渊，等. 基于深度学习技术的TSE⁃T2WI在纵隔MRI中的应用价值［J］.
2024年6月 南京医科大学学报（自然科学版），2024，44（6）：797-801 ·801 ·

化后的 DLR 算法能够较好地显示解剖结构和病灶 and examination time in routine clinical practice［J］. Eur
细节，本研究定性评估结果也显示，T2WIDLR序列在 J Radiol，2021，134：109430
纵隔病灶细节显示方面优于常规T2WI序列。 ［5］ WANG S，SU Z，YING L，et al. Accelerating magnetic res⁃
在提高图像质量的同时，T2WIDLR 序列较常规 onance imaging via deep learning［J］. Proc IEEE Int
Symp Biomed Imaging，2016，2016：514-517
T2WI序列节约了21%扫描时间，这主要得益于DLR
［6］ KIDOH M，SHINODA K，KITAJIMA M，et al. Deep learn⁃
算法在图像采集阶段对时间的节约，包括 K 空间
ing based noise reduction for brain MR imaging：tests on
离散数据欠采样和激励次数的减少等。但是相较
phantoms and healthy volunteers［J］. Magn Reson Med
于文献报道的 DLR 算法可以减少 50%左右的扫描 Sci，2020，19（3）：195-206
时间 ［10-13］ ，本文在节省时间方面的优势似乎并不明 ［7］ 纪执琳，时 寅，邹月芬. 基于UTE 成像技术评估软骨
显，这主要是由于笔者并没有依照文献的经验调低 终板损伤的可行性研究［J］. 南京医科大学学报（自然
T2WIDLR序列一些重要的图像参数，诸如相位编码过 科学版），2022，42（3）：370-375
采集、激励次数和相位编码分辨率等，调低这些参 ［8］ 高 松，陈 露，胡 昊，等. Dixon 技术在甲状腺相关
数能够进一步减少扫描时间，但是会导致图像质量 性眼病早期视神经改变评估中的价值［J］. 南京医科大
学学报（自然科学版），2022，42（4）：556-559，577
的明显下降，如何合理设置 DLR 扫描参数，也是值
［9］ OUCHI S，ITO S. Reconstruction of compressed⁃sensing
得今后深入研究的方向。
MR imaging using deep residual learning in the image do⁃
本研究的局限性：首先，由于样本量较少，并未
main［J］. Magn Reson Med Sci，2021，20（2）：190-203
对不同性质病灶的信号特征作深入分析，在今后的
［10］HERRMANN J，NICKEL D，MUGLER J P，et al. Develop⁃
研究中可扩大样本量对不同性质的病灶作更为细 ment and evaluation of deep learning⁃accelerated single⁃
化的研究；其次，由于T2WIDLR序列和常规T2WI均未 breath⁃hold abdominal HASTE at 3 T using variable refo⁃
采用呼吸导航技术，这带来两序列对比层面出现 cusing flip angles［J］. Invest Radiol，2021，56（10）：645-
错层的情况，本研究中通过在扫描前对患者进行 652
严格的呼吸训练，同时采用呼气末屏气采集的方 ［11］UEDA T，OHNO Y，YAMAMOTO K，et al. Deep learning
式，尽量保持呼吸幅度一致来减少层面误差，并剔 reconstruction of diffusion⁃weighted MRI improves image
quality for prostatic imaging［J］. Radiology，2022，303
除错层较为严重的病例。
（2）：373-381
综上所述，纵隔 T2WIDLR序列提高了图像 SNR、
［12］KANIEWSKA M，DEININGER⁃CZERMAK E，GETZM⁃
CNR，减少了图像伪影，在图像清晰度、对病灶细节
ANN J M，et al. Application of deep learning⁃based image
的显示和整体图像质量评分方面均优于常规T2WI， quality and reduce scan time［J］. Eur Radiol，2023，33
并且缩短了扫描时间，可以作为常规 T2WI 用于纵 （3）：1513-1525
隔扫描的补充和替代。 ［13］HERRMANN J，GASSENMAIER S，NICKEL D，et al. Di⁃
agnostic confidence and feasibility of a deep learning ac⁃
［参考文献］
celerated HASTE sequence of the abdomen in a single
［1］ MALIK R，MULLASSERY D，KLEINE⁃BRUEGGENEY
breath⁃hold［J］. Invest Radiol，2021，56（5）：313-319
M，et al. Anterior mediastinal masses⁃a multidisciplinary ［14］可 赞，李 亮，查云飞，等. 基于深度学习重建技术改
pathway for safe diagnostic procedures［J］. J Pediatr 善前列腺 T2WI 图像质量的研究［J］. 磁共振成像，
Surg，2019，54（2）：251-254
2023，14（5）：41-47
［2］ 段世军，胡玉川，李刚锋，等. MRI在胸腺上皮性肿瘤与 ［15］王绎忱，张馨心，胡满仓，等. 深度学习重建技术在优化
胸腺淋巴瘤鉴别诊断中的价值［J］. 放射学实践，2020， 前列腺磁共振 T2 加权成像扫描时间和图像质量中的
35（5）：608-613 应用价值［J］. 磁共振成像，2023，14（5）：48-52，59
［3］ 汤光宇，李 懋. 磁共振成像技术与应用［M］. 上海：上 ［16］张馨心，王思聪，赵心明，等. 深度学习重建技术在膀胱
海科学技术出版社，2023：47，133 癌 MRI 临床应用中的可行性研究［J］. 磁共振成像，
［4］ UEDA T，OHNO Y，YAMAMOTO K，et al. Compressed 2023，14（5）：36-40
sensing and deep learning reconstruction for women’s ［收稿日期］ 2024-01-29
pelvic MRI denoising：utility for improving image quality （本文编辑：蒋 莉）