基于磁共振深度学习重建算法缩短扫描时间的可行性分析：水模研究.pdf

诊断学理论与实践2024年第23卷第2期·131·

·论著·

基于磁共振深度学习重建算法缩短扫描时间的

可行性分析：水模研究

吕晓宇，冯威铭，周慧赟，李纪强，董海鹏，黄娟

（上海交通大学医学院附属瑞金医院放射科，上海200025）

[摘要]目的：旨在评估深度学习重建（deeplearningreconstruction,DLR）算法在缩短磁共振成像（magnetic

resonanceimaging,MRI）扫描时间方面的应用潜力。方法：利用水模，采用控制变量法描绘扫描时间随着激励次数

（numberofexcitation，NEX）、矩阵、l⁃to⁃noiseratio，SNR）及主观图像质量变化（包括锐利度及细节清晰度、失真度的

四分制评估），并描绘变化曲线、计算拟合曲线。结果：在传统重建和不同降噪水平的DLR重建中，NEX和分辨率与

MRI扫描时间和SNR之间存在正相关性。在相同的NEX和分辨率条件下，传统重建、DLR_L、DLR_M和DLR_H的

SNR依次升高。以主观评价3或者4分为令人满意的图像，当矩阵固定为512×512时，不同NEX值下，DLR重建的

图像在锐利度、失真度和细节显示方面均表现出色，且在NEX为3、5、7和11时，图像细节显示最佳，同时显著缩短

了扫描时间。当NEX为2、4、5、6时，图像的失真令人满意，当NEX为3、5、7和11时，可获得满意的细节显示。以上

所有组合，可节省扫描时间31～244s。随着分辨率的增加，图像质量在锐利度、失真度和细节显示方面均有所提

升，失真度较低。当NEX固定为6时，DLR_H、DLR_M、DLR_L及传统重建的图像分别在矩阵为320×320、384×384、

448×448及640×640时，即扫描时间分别为141s、141s、187s及232s时，可获得令人满意的锐利度。DLR_H和

DLR_M在512×512矩阵下实现了较小的失真度，而DLR_L和传统重建需要更高的成像矩阵和更长的扫描时间以获

得类似的图像质量。对于细节显示的清晰度，DLR_H在512×512矩阵下的表现尤为突出，扫描时间少于DLR_M、

DLR_L及传统重建。结论：DLR，特别是DLR_H，可在降低NEX和分辨率以缩短MRI扫描时间的同时，不仅能保持

令人满意的SNR和图像细节显示，还有可能实现更高的图像清晰度和更低的失真度。

关键词：深度学习重建；激励次数；图像质量

中图分类号：R445.2文献标志码：A文章编号：1671⁃2870（2024）02⁃0131⁃08

DOI:10.16150/j.1671⁃2870.2024.02.006

Feasibilityofreducingscantimebasedondeeplearningreconstructioninmagneticresonanceimaging:aphan⁃

tomstudy

LÜXiaoyu,FENGWeiming,ZHOUHuiyun,LIJiqiang,DONGHaipeng,HUANGJuan.

DepartmentofRadiology,RuijinHospital,ShanghaiJiaoTongUniversitySchoolofMedicine,Shanghai200025,China

[Abstract]ObjectiveToexplorethef