張雨，徐旭，肖奕，曾令明，曾文，夏春潮，張樹恒，羅曼，李真林

1.四川大學華西醫(yī)院 放射科，四川 成都 610041；2.上海聯(lián)影智能醫(yī)療科技有限公司，上海 201800

引言

磁共振成像（Magnetic Resonance Imaging，MRI）提供了腰椎和腰椎周圍軟組織和神經(jīng)的可視化，包括椎間盤、脊髓、韌帶、肌肉組織和血管系統(tǒng)[1]，并且可以識別大多數(shù)臨床相關(guān)的病理改變，包括外傷性[1]、退行性[2]和炎癥[3]等病變，在腰椎相關(guān)疾病診斷中起著重要作用。MR圖像受隨機噪聲的影響，在采集過程中不可避免地與噪聲一起被捕獲。噪聲影響臨床診斷的精度和后續(xù)的圖像處理任務(wù)，例如分割、分類和配準[4]。去除或降低噪聲對于MR圖像至關(guān)重要。在臨床應(yīng)用中，增加激勵次數(shù)是一種常見的選擇，然而激勵次數(shù)的增加會導(dǎo)致更長的采集時間，限制了臨床應(yīng)用范圍。深度學習技術(shù)廣泛應(yīng)用于后處理圖像去噪中，取得了較好的性能[5]。然而，大多數(shù)用于圖像恢復(fù)的深度學習模型的計算成本高，需要強大的硬件，例如具有大內(nèi)存的高性能圖形處理器。這增加了硬件成本以及MRI重建時間，限制了臨床應(yīng)用。

深度學習重建技術(shù)是一種基于編碼器和解碼器架構(gòu)的輕量級卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN），通過大數(shù)據(jù)深度學習的圖像濾波和插值技術(shù)[6]。與其他傳統(tǒng)模型相比，深度學習重建技術(shù)的模型在保持高性能的同時有效地減少了計算負擔，無需增加掃描時間，甚至可以縮短掃描時間，提升SNR和分辨率。本研究與原始圖像、常規(guī)濾波重建獲得的腰椎序列圖像進行對比，包括矢狀位T1加權(quán)成像（T1-Weighted Image，T1WI）、T2加權(quán)脂肪抑制成像（T2-Weighted Fat Suppressed Image，T2WI-FS）、短時間反轉(zhuǎn)恢復(fù)（Short Time Inversion Recovery，STIR）和橫斷位T2WI，以此評估深度學習重建技術(shù)在腰椎MR常規(guī)序列臨床應(yīng)用的可行性。

1 材料與方法

1.1 臨床資料

本研究為前瞻性的單中心研究，經(jīng)四川大學華西醫(yī)院生物醫(yī)學倫理委員會的批準，所有受試者均簽署知情同意書。本研究納入2021年6至7月在四川大學華西醫(yī)院行腰椎檢查的患者53例。納入標準：≥18歲；臨床要求行MRI腰椎檢查。排除標準：體內(nèi)有MR不兼容的金屬植入物、起搏器；懷孕；癲癇發(fā)作、神經(jīng)刺激癥、幽閉空間恐懼者；高熱患者；危重患者；<18歲。

1.2 圖像采集及重建

采用1.5 T磁共振（uMR 588，上海聯(lián)影醫(yī)療科技股份有限公司）及其內(nèi)置脊柱線圈陣列?；颊卟捎醚雠P位，頭先進，行矢狀位T1WI、T2WI-FS、STIR序列和橫斷位T2WI序列掃描，具體的掃描參數(shù)如表1所示。

表1 腰椎序列掃描參數(shù)

將4個序列的原始數(shù)據(jù)使用常規(guī)濾波和深度學習重建的方式進行重建，重建層厚為4.0 mm，和常規(guī)臨床實踐一致。常規(guī)濾波重建采用非局部均值濾波算法進行降噪[7]。深度學習重建采用人工智能的濾波和插值圖像重建算法進行降噪[6]，重建模式為Basic。最后，53例患者的各個腰椎序列都獲得了以下3個圖像數(shù)據(jù)集：原始圖像（A組）、常規(guī)濾波重建圖像（B組）和深度學習重建圖像（C組）。

1.3 定量圖像分析

使用兩種評價去噪性能的定量指標峰值信噪比（Peak Signal to Noise Ratio，PSNR）[8]和圖像銳利度[9]評估原始圖像、常規(guī)濾波重建圖像和深度學習重建圖像。PSNR顯示真實圖像和重建圖像之間的像素級差異。圖像銳利度表示在頻域中圖像銳利度的度量，圖像銳利度取決于k空間中高頻的數(shù)量，可以通過分析單個閾值以上的高頻分量的數(shù)量來定量評估圖像模糊[9]。醫(yī)學數(shù)字成像和通信（Digital Imaging and Communications in Medicine，DICOM）圖像被加載到MATLAB中進行計算。詳細的計算公式如式(1)～(2)所示。

其中，MAX表示最大信號強度；MSE表示圖像的均方誤差。

其中，TH為圖像的傅里葉變換中的幅度大于Fmax/1000的像素總數(shù)，F(xiàn)max為圖像的傅里葉變換中的最大幅度，M×N為圖像的維度。

1.4 定性圖像分析

兩名具有8年和3年骨骼肌肉診斷經(jīng)驗的放射科醫(yī)師使用機構(gòu)的影像歸檔和通信系統(tǒng)（Picture Archiving and Communication Systems，PACS）在未知相關(guān)患者信息和序列類型的情況下對腰椎圖像進行評估。使用LIKERT 5分制（1分為非可視化；2分為差；3分為平均；4分為好；5分為優(yōu)秀）對圖像的整體圖像質(zhì)量、噪聲、對比度和偽影進行評價。

1.5 統(tǒng)計學分析

使用SPSS 22.0進行統(tǒng)計學分析。用夏皮羅-威爾克（Shapiro-Wilk）法檢驗數(shù)據(jù)正態(tài)性。采用Friedman秩和檢驗比較PSNR、圖像銳利度的客觀評分和整體圖像質(zhì)量、噪聲、偽影的主觀評分，并使用帶有Holm校正的Wilcoxon符號秩檢驗進行事后兩兩比較。使用Cohen’s Kappa相關(guān)系數(shù)檢測主觀評價的觀察者間的一致性。當0.01

2 結(jié)果

2.1 一般資料

53名患者被納入研究，其中男性24名，女性29名?；颊咂骄挲g為（54.92±17.84）歲。所有患者都接受了矢狀位T1WI、T2WI-FS、STIR序列和橫斷位T2WI序列掃描。

2.2 圖像客觀分析

腰椎常規(guī)序列矢狀位T1WI、T2WI-FS、STIR序列和橫斷位T2WI序列的原始圖像、常規(guī)濾波重建圖像和深度學習重建圖像的PSNR和圖像銳利度值如表2所示。對于圖像的PSNR值，所有腰椎序列的C組顯著高于A組和B組（P值均<0.05），其中B組顯著高于A組（P值均<0.05）。對于圖像的銳利度值，T1WI、STIR和橫斷位T2WI的C組顯著高于A組和B組（P值均<0.05），其中A組顯著高于B組（P值均<0.05）。在T2WI-FS序列中，C組的圖像銳利度值與A組沒有統(tǒng)計學差異[（0.27±0.02）vs.（0.27±0.01），P=0.106]，但均高于B組（P值均<0.05）。深度學習重建圖像的PSNR值在矢狀位STIR序列中提升最為明顯，為常規(guī)濾波圖像的1.06倍[（29.53±1.22）vs.（27.91±1.24），P<0.001]，原始圖像的1.18倍[（29.53±1.22）vs.（25.05±1.48），P<0.001]。深度學習重建圖像的圖像銳利度值在矢狀位STIR序列中提升最為明顯，為常規(guī)濾波圖像和原始圖像的1.14倍[（0.33±0.23）vs.（0.29±0.01），P<0.001]。

表2 腰椎常規(guī)序列三種重建圖像的PSNR值和圖像銳利度值（±s）

表2 腰椎常規(guī)序列三種重建圖像的PSNR值和圖像銳利度值（±s）

注：a表示與原始圖像相比有統(tǒng)計學差異；b表示與常規(guī)濾波重建圖像相比有統(tǒng)計學差異。

組別 序列 原始圖像 常規(guī)濾波重建圖像深度學習重建圖像T1WI 26.73±1.58 29.59±1.40a29.68±1.41ab T2WI-FS 26.46±1.90 30.20±1.68a31.59±1.43ab STIR 25.05±1.48 27.91±1.24a29.53±1.22ab T2WI-TRA 24.58±0.95 27.21±0.93a27.44±1.24ab PSNR T1WI 0.18±0.02 0.18±0.02a 0.19±0.02ab T2WI-FS 0.27±0.01 0.25±0.01a 0.27±0.02b STIR 0.29±0.01 0.29±0.01a 0.33±0.23ab T2WI-TRA 0.19±0.2 0.19±0.02a 0.21±0.2ab圖像銳利度

2.3 圖像主觀分析

兩位放射科醫(yī)師對整體圖像質(zhì)量、噪聲、對比度分辨率和偽影的主觀評分，見圖1和表3。結(jié)果顯示，對于整體圖像質(zhì)量，T2WI-FS、STIR、橫斷位T2WI序列的C組的主觀評分顯著高于A組和B組（P值均<0.05），T1WI的B組和C組主觀評分差異沒有統(tǒng)計學意義（P=0.21），但是都比A組有顯著提高（P值均<0.05）。對于噪聲、對比度分辨率和偽影，所有腰椎序列C組的主觀評分都顯著高于A組和B組（P值均<0.05）。兩位醫(yī)師之間的主觀評分的一致性較高（0.789～0.99）。

表3 腰椎常規(guī)序列三種重建圖像的主觀評分（±s，分）

表3 腰椎常規(guī)序列三種重建圖像的主觀評分（±s，分）

注：a表示與原始圖像相比有統(tǒng)計學差異；b表示與常規(guī)濾波重建圖像相比有統(tǒng)計學差異。

組別 序列 原始圖像 常規(guī)濾波重建圖像深度學習重建圖像整體圖像質(zhì)量T1WI 2.90±0.42 3.89±0.30a 3.99±0.25a T2WI-FS 2.21±0.43 3.27±0.43a 3.93±0.24ab STIR 2.08±0.27 3.08±0.31a 4.07±0.24ab T2WI-TRA 2.57±0.53 3.52±0.49a 4.02±0.32ab噪聲T1WI 2.78±0.41 3.70±0.45a 4.03±0.25ab T2WI-FS 1.88±0.56 3.08±0.37a 4.07±0.24ab STIR 1.69±0.46 2.81±0.39a 4.02±0.14ab T2WI-TRA 2.32±0.47 3.13±0.34a 3.93±0.24ab對比度分辨率T1WI 2.92±0.39 3.79±0.39a 4.01±0.37ab T2WI-FS 1.950.53 3.20±0.58a 4.02±0.42ab STIR 1.95±0.52 2.95±0.63a 4.13±0.44ab T2WI-TRA 2.47±0.54 3.40±0.53a 4.10±0.33ab T1WI 3.04±0.42 3.92±0.27a 3.99±0.28ab T2WI-FS 2.25±0.42 3.27±0.44a 3.89±0.30ab STIR 2.09±0.39 3.09±0.39a 3.93±0.24ab T2WI-TRA 2.62±0.62 3.36±0.59a 3.99±0.21ab偽影

圖1 83歲男性患者行腰椎磁共振掃描圖像

3 討論

目前，已有部分臨床研究將深度學習降噪技術(shù)用于頭部[10-11]、腹部[12]的MRI降噪，并且取得了良好的降噪效果。據(jù)研究，目前還沒有評估深度學習降噪算法在常規(guī)臨床實踐中對腰椎MRI可行性的相關(guān)研究。本研究將常規(guī)腰椎序列（矢狀位T1WI、T2WI-FS、STIR序列和橫斷位T2WI序列）的原始圖像、常規(guī)濾波重建圖像和深度學習重建圖像進行比較。結(jié)果顯示，深度學習重建圖像在T1WI、STIR和橫斷位T2WI序列的圖像上相較于常規(guī)濾波圖像和原始圖像SNR和銳利度都有顯著提升，在T2WI-FS序列中，銳利度有顯著提升。圖像銳利度表征識別較小物體的能力，高銳利度意味著更多的圖像細節(jié)。常規(guī)濾波重建方式采用非局部平均方法（Non-Local Means，NLM）進行降噪，NLM是一種利用圖像自相似性的方法[13]：首先對輸入的低分辨率圖像進行去噪，使用相似的塊重建高分辨率圖像；然后應(yīng)用校正步驟以確保下采樣的高分辨率圖像接近去噪后的低分辨率圖像。因此，常規(guī)濾波重建圖像的SNR雖然升高，但是銳利度比原始圖像降低[14]，本研究也證實了這一結(jié)果。本研究結(jié)果提示深度學習重建相較于常規(guī)濾波重建不僅提升了SNR，而且還提升了圖像銳利度，彌補了常規(guī)濾波重建的缺點，提升了降噪效果。

STIR序列是常規(guī)應(yīng)用于椎體和椎間盤的脂肪抑制序列，其應(yīng)用于腰椎的關(guān)節(jié)炎[15]、骨折[16-17]、莫迪克改變[18]、腰痛[19]等疾病的診斷。STIR序列在90°射頻脈沖之前先施加一個180°脈沖使縱向磁化矢量反轉(zhuǎn)到與主磁場完全相反的方向，再選擇合適的反轉(zhuǎn)時間，使富含脂肪的組織磁化矢量在TI時刻為零。但是由于STIR 180°脈沖的施加，會增加掃描時間；同時，反轉(zhuǎn)脈沖是非選擇性的，脂肪和水的信號都會被反轉(zhuǎn)，除了脂肪信號被抑制以外，水的信號也會降低，圖像SNR降低[20]。本研究中發(fā)現(xiàn)，腰椎STIR序列的SNR的提升最為明顯，銳利度也有明顯改善。這提示了利用深度學習重建技術(shù)可以在相同掃描時間內(nèi)獲得更好的圖像質(zhì)量，甚至縮短掃描時間，可以增加STIR序列的臨床應(yīng)用場景。

在腰椎MRI中，疼痛或活動范圍受限的患者的運動可能會影響圖像質(zhì)量。具有高SNR的MR圖像可以更好地可視化精確的解剖結(jié)構(gòu)，提高診斷準確性并促進各種疾病的早期診斷。后處理降噪技術(shù)是在有限時間內(nèi)提高圖像質(zhì)量的最有力的方法之一。CNN是深度學習的一種模型，旨在處理排列在陣列中的數(shù)據(jù)，例如在成像數(shù)據(jù)中遇到的數(shù)據(jù)[21]。CNN由多層可學習的卷積核組成；每個內(nèi)核的元素都是可訓練的權(quán)重，可以從前一層提取特征[22]。傳統(tǒng)上，機器學習模型被訓練為基于從原始數(shù)據(jù)中提取的手動設(shè)計特征或其他簡單機器學習模型學習的特征來執(zhí)行有用的任務(wù)。有效使用CNN之后，計算機直接從原始數(shù)據(jù)中自動學習有用的表示和特征，繞過手動提取參數(shù)的步驟，使得CNN在圖像降噪領(lǐng)域被廣泛應(yīng)用[23-24]。深度學習重建技術(shù)是基于編碼器和解碼器架構(gòu)的輕量級CNN的MR圖像降噪技術(shù)。可分為三個模塊：特征提取、特征學習和圖像重建。每個特征提取模塊和重建模塊都由一個3×3卷積層組成，而特征學習模塊基于編碼器-解碼器框架，通過充分整合不同尺度和層次的圖像特征來提高表示能力。深度學習重建算法已被證實在腹部MRI中有良好的降噪效果[12]。本研究結(jié)果也表明，深度學習重建算法在腰椎常規(guī)序列中取得了良好的降噪效果。但是在臨床實踐中，各個部位成像、各個臨床適應(yīng)癥的掃描參數(shù)不同，也可能影響去噪效果。因此，在未來研究中有望驗證深度學習重建算法在更廣泛的部位與適應(yīng)癥的臨床價值。

本研究存在一定的局限性：① 包括的研究對象數(shù)量有限，他們潛在的病理和臨床狀況各不相同，因此無法比較常規(guī)濾波重建圖像與深度學習重建圖像對于腰椎疾病的實際診斷能力；② 為單中心、單機型研究，具有一定局限性，缺乏外部驗證。

4 結(jié)論

綜上所述，深度學習重建技術(shù)對腰椎矢狀位T1WI、STIR和橫斷位T2WI圖像的SNR和銳利度有良好的提升，對于腰椎T2WI-FS序列的銳利度有提升。深度學習重建技術(shù)可以在相同的掃描時間內(nèi)，提升圖像質(zhì)量，有助于在臨床進行應(yīng)用，提高檢查效率。