基于人工智能重建算法对颅内3D FLAIR图像的优化

目的探讨基于压缩感知(compressed sensing-Sensitivity Encoding,CS-SENSE)技术,人工智能重建(artificialintel ligence reconstruction)对头颅3D FLAIR图像的影响。方法收集2021年10月-12月在南京大学医学院附属鼓楼医院检查头颅3D FLAIR显示异常高信号的患者共43例。采用不同压缩因子(4和8)获取3D FLAIR图像,分别以常规重建和人工智能重建方法重建出CS4、CS8、CS_AI4、CS_AI8四种图像。采用单因素重复测量方差分析法定量比较不同序列图像信噪比(signal to noise ratio,SNR)和对比噪声比(contrast to noise ratio,CNR)。两位具有5年以上神经影像诊断经验的医师对图像质量进行定性评分,采用Kappa检验判断两名医生对图像质量定性评估的一致性。结果CS_AI4(SNR_(Lesions):801.32±318.79,SNRWM:463.50±209.23,CNR:337.83±158.30)及CS_AI8(SNR_(Lesions):887.94±445.27,SNR_(WM):500.99±261.71,CNR:386.95±224.98)的CNR及SNR显著优于CS4(SNR Lesions:553.53±135.79,SNR_(WM):320.86±93.46,CNR:232.67±91.67)及CS8(SNR_(Lesions):482.50±132.29,SNR_(WM):279.41±85.92,CNR:203.09±86.52)(P值均<0.001)。CS4的CNR及SNR显著优于CS8(P<0.001)。定性分析结果显示,CS_AI4(8.87±0.40)、CS_AI8(8.55±0.63)及CS4(8.34±0.82)之间无统计学差异(P均>0.008),但是显著优于CS8(5.07±0.78,P均<0.001)。结论AI重建之后的3D FLAIR图像信噪比及对比噪声比显著优于常规重建的FLAIR图像。

基于螺旋成像TOF-MRA在颅内动脉成像中的应用研究

目的以压缩感知(CS)重建的时间飞跃法磁共振血管造影(TOF-MRA)(MRACS)为参考,探讨基于螺旋成像技术的MR血管成像(MRA_(spiral))在颅内血管成像中的应用价值。方法2021年5月29日—2022年6月11日,前瞻性收集49例怀疑脑血管病变患者的头颅MRA图像。采集序列CS敏感度编码为4加速的TOF-MRA(MRA_(CS4))和MRA_(spiral)(采集窗口τ分别为4、6、8、12)。在大脑前动脉(ACA)、大脑中动脉(MCA)、大脑后动脉(PCA)的近段和远段绘制兴趣区。以胼胝体为背景计算比值(CR)。由两名经验丰富的放射科医生分别对图像质量和诊断价值进行定性分析。采用单因素重复测量方差分析比较CR值的差异,Friedman检验比较定性分析的差异。结果在远段分支,PCA在MRA_(τ6)的CR值(2.61±1.09)低于MRA_(CS4)(3.16±1.62)(P=0.014)。余MRA_(spiral)图像的CR值(MRA_(τ4):2.73±1.45,MRA_(τ8):2.78±1.28,MRAτ12:2.64±1.43)与MRA_(CS4)的CR值无显著性差异(P>0.05)。在远段血管显示方面,MRA_(τ4)(4.78±0.41)、MRA_(τ6)(4.77±0.42)及MRA_(τ8)(4.55±0.52)明显优于MRA_(CS4)(4.28±0.52)(P<0.005)。在颅内近段血管显影方面,MRA_(CS4)显示优于MRA_(spiral)。结论MRA_(spiral)对颅内远段血管的显示优于MRACS,可更好地评估颅内动脉狭窄程度,同时MRA_(τ8)可以在保证图像质量的同时减少采集时间。

人工智能重建在头颅3D T1WI成像中的应用价值

目的探索人工智能(AI)重建方式在头颅3D T1WI图像(T1WI)中的应用。方法前瞻性收集2021年5月至2022年10月在南京鼓楼医院进行头颅磁共振检查的52例患者。每例患者均采集压缩感知因子为3和6的3D T1WI(CS3、CS6),同时进行人工智能重建,生成AI3及AI6图像。在四组图像中勾画感兴趣区,计算图像信噪比(SNR)及对比噪声比(CNR)。从灰白质对比、深部核团轮廓、舌肌肉噪声、视神经清晰度四个方面对不同序列图像进行定性评估。对图像的SNR及CNR差异采用单因素重复测量方差分析,采用Friedman检验比较定性分析结果差异。结果在相同CS因子下,AI重建图像SNR、CNR明显优于的常规CS重建图像[AI3_(SNR)(20.63±6.90)vs CS3_(SNR)(17.12±5.27),P<0.001;AI3_(CNR)(12.93±4.79)vs CS3_(CNR)(10.94±3.70),P<0.001;AI6_(SNR)(20.60±7.46)vs CS6_(SNR)(12.33±3.22),P<0.001;AI6CNR(12.84±5.20)vs CS6_(CNR)(7.66±2.43),P<0.001]。图像定性分析中,AI重建图像的评分明显高于常规重建图像[(AI3(11.56±0.72)vs CS3(11.29±0.75),P<0.001;AI6(11.67±0.61)vs CS6(7.51±0.84),P<0.001)]。AI6图像的SNR及CNR均高于CS3图像,但差异无统计学意义(P>0.05)。CS3、AI6图像的总体评分明显高于CS6图像(P<0.01)。结论与CS3相比,AI6在保证头颅3D T1WI图像分辨率的基础上,同时可以缩短将近一半的扫描时间。

基于TSE-XD-MV的鼻咽部扩散加权成像

目的 比较快速自旋回波扩散加权成像(TSE-DWI)、TSE-XD-DWI及TSE-XD-MV-DWI在鼻咽部成像中的图像质量。方法 回顾性收集2021年1月至2021年5月在南京鼓楼医院进行鼻咽部磁共振检查的55例患者,男性34例,女性21例,年龄54.65岁±14.73,其中25例鼻咽癌患者,30例鼻咽部粘膜正常患者。采用配对样本t检验比较TSE-DWI,TSE-XD-DWI及TSE-XD-MV-DWI三组鼻咽部DWI图像的信噪比(SNR)及对比噪声比(CNR)的差异。采用Wilcoxon配对符号秩检验定性分析三组DWI图像的质量。结果 SNR结果显示MV组(6.29±3.30)图像优于其他两组,但与XD组(5.90±2.46)无统计学差异(P=0.237)。MV组图像的CNR明显高于其他两组(TSE:19.08±10.67,XD:25.70±10.64,MV:35.74±16.35),差异在每两组间均存在统计学意义(P值均<0.001)。定性结果显示MV组(4.75分±0.52)的图像质量多为4分及5分,明显优于其余两组(TSE:1.85分±0.49;XD:3.23分±0.67),结果有统计学差异(P值均<0.001)。结论 TSE-XD-MV-DWI在鼻咽部成像可以明显提高DWI图像质量。

基于人工智能重建对颅内3D TOF MRA图像质量的改善

目的探索人工智能重建技术对颅内3D TOF MRA图像质量的改善。方法回顾性收集2021年8月至2022年6月在南京大学医学院附属鼓楼医院进行头颅磁共振检查的43例受试者,平均年龄为56.95±35岁。采集不同压缩感知因子及重建技术的3D TOF MRM序列:CS4、CSAI4、CS8、CSAI8。定性分析四组图像血管显示能力、伪影、图像质量和诊断价值。采用F ri ed man检验比较四个序列间定性评分结果的差异。采用单因素重复测量方差分析定量比较四组图像CR值差异。结果图像质量定性分析中,在相同CS因子下,人工智能重建图像质量明显优于的常规CS重建图像(CSAI8:23.22±1.33 vs CS8;22.17+1.51,P<0.001;CSAI4:23.6±1.43 vs CS4:22.82±1.43,P<0.001)。图像定量分析中,人工智能重建的M RA图像CR值显著高于常规重建图像(大血管:CRCSAI4:11.10±0.75,CRCS4:9.10±0.48,CRCSAI8:10.75±0.75,CRCS8:7.86±0.38,P<0.001)。压缩感知加速因子不同时,CRCSAI8仍显著高于CRCS4(P<0.001)。结论人工智能重建技术可明显提高MRA图像质量。