深度学习重建法提高磁共振高分辨海马冠状位图像质量的比较研究

目的 探讨深度学习重建(deep learning reconstruction,DLR)在提高高分辨率T2液体衰减反转恢复(fluid-attenuated inversion-recovery,FLAIR)序列海马冠状位MRI图像质量中的作用。材料与方法前瞻性纳入36例神经系统疾病患者,进行高分辨率海马T2-FLAIR冠状位扫描,并对图像进行DLR,对原始重建(origin reconstruction,OR)图像和DLR图像的噪声、伪影、海马结构辨识度、病灶可识别度和诊断接受度进行主观评价,测量并计算两组图像的信噪比、对比噪声比和双侧海马信号强度差值。结果DLR的T2-FLAIR海马冠状位图像噪声、海马结构辨识度、病灶可识别度和诊断接受评分均高于OR T2-FLAIR海马冠状位(P<0.001),伪影评分差异无统计学意义(Z=-1.730;P=0.084);DLR T2-FLAIR海马冠状位图像的信噪比和对比噪声比均明显高于OR T2-FLAIR海马冠状位(t=-13.061;P<0.001和t=-16.224;P<0.001);两组图像双侧海马信号差值差异无统计学意义(t=-0.290;P=0.977)。结论 DLR不延长扫描时间就可以明显提高高分辨T2-FLAIR海马冠状位图像的海马结构和小病灶的清晰度,降低噪声,为临床诊断提供高质量图像。