Page 76 - 南京医科大学自然版
P. 76

第45卷第6期
               ·814 ·                            南 京    医 科 大 学 学         报                        2025年6月


              得不增加扫描层数，这进一步增加了扫描时间。在                            噪声，从而提高图像 SNR          ［20］ ；另一方面，本研究发
              本研究中，由于采用了呼吸导航技术，BLADE⁃TSE⁃                       现，由于射频能量吸收率（specific absorption ratio，
              T2WI扫描时间是由患者呼吸频率决定的，有的呼吸                          SAR）保护机制，BLADE⁃TSE 序列在超 SAR 时会自
              频率较慢病例扫描时长达到近8 min，甚至有部分体                         动降低翻转角来降低 SRA 值，而翻转角的降低会
              弱、呼吸受限的患者难以忍受，不能配合完成检                             带来 MR 信号强度的降低，这也可能是 BLADE⁃TSE
              查。传统的 HASTE 序列采用 1 次激励脉冲产生多                       序列 SNR 较低的原因        ［11］ 。SNR 的提高也提高了另
              个回波信号，有效减少数据采集量及时间，但是该                            外一个定量评估指标 CNR，同样，DL 技术不仅可
              采集方式信号强度弱、SNR 低，且回波链过长，易造                         以轻松识别噪声和组织信号，也能识别主要组织
              成图像模糊，半傅里叶 K 空间填充方式则进一步降                          之间的信号差异，因此 HASTE⁃DL 序列的 CNR 也

              低了图像SNR     ［3-6］ 。                               高于BLADE⁃TSE序列。
                  DL技术的快速发展给传统HASTE成像技术带来                            在实际应用场景中，本研究主观评价结果与定
              了新的突破。DL技术基于CNN的图像重建算法 。                          量评估结果相互支持：HASTE⁃DL 序列对胰腺锐利
                                                         ［14］
              它首先设计出专注于图像重建任务的CNN，然后通                           度、胆管显示清晰度、图像总体质量的控制均优于
              过机器学习方式让算法读取海量 MR 图像数据，识                          BLADE⁃TSE 序列，此外2位专家达成两序列的病灶
              别和提取出图像高级特征，预测性输出图像数据，                            发现率一致的意见，这与Herrmann等             ［21］ 在腹部相关
              再通过反复的前馈运算和反馈运算比较预测值和                             研究中得出的结果一致，说明 DL 技术可以通过算
              实际输入图像数据的误差，逐层修正CNN中各算法                           法弥补采集数据量少带来的图像质量下降，获得与
              函数的参数，经过多次这样的步骤后，训练出最适用                           常规 BLADE⁃TSE⁃T2WI 序列一致的诊断效能。在
              于MR图像重建任务的CNN 。在实际MRI扫描时，                         研究过程中，评估者发现由于 HASTE⁃DL 序列的图
                                      ［15］
              应用DL算法的HASTE序列只需要以欠采集的方式                          像SNR和CNR提高，病灶组织与正常组织之间的边
              采集少量的 MRI 数据，算法则依据 CNN 预测性输                       缘对比更加锐利，因此病灶更容易识别和判断，避
              出 1 个图像数据，再通过多次迭代收敛算法预测的数                         免因重复阅片造成疲劳而导致忽略部分病灶的情
              据与实际采集数据的误差，最终输出高质量的MR图                           况，提高了综合诊断效能；但是，HASTE⁃DL 序列对
              像。由上述可见，HASTE⁃DL序列在图像采集端大大                        组织细节信息的显示不如 BLADE⁃TSE 序列丰富，
              节省了扫描时间，Herrmann等 将HASTE⁃DL技术运                    Kaniewska 等 ［15］ 也提到此问题，这可能是 DL 算法结
                                        ［5］
              用在肝脏，相比T2WI扫描时间缩短了75%；Johnson                     构和参数设置还有训练和提升的空间，CNN的稳定
                ［16］
              等 把HASTE⁃DL技术结合前列腺快速T2WI序列与                       性不够，导致输入数据与 CNN 过度拟合所致，这方
              标准的T2WI序列相比，可以缩短约65%的扫描时间。                        面可以通过对CNN卷积核、结构以及参数设置的优
                  多位学者应用基于DL技术的HASTE序列采集                        化，进一步的数据训练来解决。
              肝脏、肌骨、前列腺和盆腔等图像               ［5，17-18］ ，证实 DL 技  3.3  局限性
              术可以缩短图像扫描时间，同时降低图像噪声，去                                 本研究也存在一定局限性，首先，由于目前的
              除截断伪影，提高图像清晰度，得出较高质量的MR                           DL版本仅适用于2D的TSE序列，未引入DL算法在
              图像  ［19］ 。本研究中 DL 技术采用传统 CNN 和数据                  其他序列，诸如梯度回波序列、平面回波序列的研
              一致性两个算法交错叠代的网络架构完成图像重                             究；其次，本研究仅是针对单序列的研究，不能全面
              建 ［10］ ，结果与文献报道接近，HASTE⁃DL序列扫描时                   评估DL 技术对胰腺病灶的诊断效能。针对以上不
              长为 1 min 6 s，比 BLADE⁃TSE⁃T2WI 的平均扫描时              足，笔者拟待DL技术进一步的开发应用，纳入更多
              长4 min 58 s缩短了78%。                                的样本量，加入更多的序列，进一步研究DL技术提

              3.2  HASTE⁃DL 与 BLADE⁃TSE 序列图像质量结果                升胰腺病灶诊断的效能。
              分析                                                     综上所述，HASTE⁃DL序列主观评分高，提高了
                  本研究中，HASTE⁃DL 序列图像的 SNR 胰腺、                   胰腺 T2WI 的图像 SNR 和 CNR，大幅缩短扫描时间
              SNR 病灶和 CNR 病灶均优于 BLADE⁃TSE 序列，这                  的同时减少诊断时间，有效提升诊断效能，为临床
              与Ginocchio 等 对肝脏的研究结果一致，这主要是                      提供优质数据支持。
                           ［7］
              由于一方面 DL 技术中的 CNN 通过 MRI 图像训练，                        利益冲突声明：
              可以识别组织信号和噪声，通过多次迭代过滤图像                                全部作者均声明无利益冲突。
   71   72   73   74   75   76   77   78   79   80   81