梁丹，張默,2，馬素文，盧潔,2*

0 前言

MRI 具有成像參數(shù)多、分辨率高和人體無害等優(yōu)點，現(xiàn)階段被廣泛應用于腫瘤、腦血管疾病等和運動醫(yī)學相關的診斷與篩查[1]。在臨床工作中，受限于血管搏動等問題，MRI 最終生成的圖像不可避免地產生偽影，影響后續(xù)的圖像處理和疾病診斷。因此提高圖像的信噪比（signal-to-noise ratio, SNR），縮小偽影面積，減少偽影干擾，提升圖像質量對疾病和診斷過程至關重要[2]。

釓噴酸葡胺（Gd-diethylenetriamine pentametric acid, Gd-DTPA）是一種順磁性對比劑，廣泛應用于顱腦MRI，以輔助完成腦膜瘤、神經(jīng)鞘瘤、神經(jīng)膠質瘤等疾病的診斷[3]。然而，Gd-DTPA 注射存在發(fā)生藥物不良反應的風險，如在0.1～0.2 mmol/kg注射量下，其發(fā)生率可能超過1%[4-5]。其中最常見的藥物不良反應是過敏，嚴重時可造成休克和死亡[6]。除患者自身的機體狀態(tài)和免疫功能外，給藥方法、給藥劑量也與過敏反應密切相關[7]。因此，在保證圖像質量的基礎上，降低Gd-DTPA注射量可有效降低藥物不良反應發(fā)生率，保障患者安全[8]。然而，藥物劑量與診斷準確性具有一定的相關性。如何有效平衡藥物不良反應發(fā)生風險與圖像質量和診斷需求之間的矛盾是放射科研究的重點問題。

深度學習重建（deep learning reconstruction,DL-Recon）技術是基于大數(shù)據(jù)和卷積神經(jīng)網(wǎng)絡的MRI 重建技術，可有效提高圖像SNR，減少偽影[9]。DL-Recon 技術是由監(jiān)督學習方法訓練的深度卷積網(wǎng)絡組成，訓練圖像數(shù)據(jù)庫涵蓋廣泛的圖像數(shù)據(jù)，使神經(jīng)網(wǎng)絡模型在所有解剖結構上具有適用性。訓練數(shù)據(jù)集包含超過10 000張圖像，經(jīng)過圖像增強（旋轉和翻轉，等）后產生400萬張圖像及其增強相應的增強圖像，以增加模型的魯棒性。因此，模型的訓練數(shù)據(jù)并不依賴于用戶實際掃描的圖片。使用ADAM優(yōu)化器對模型進行優(yōu)化，使預測圖像和真實圖像之間的損失達到最小。此外，DL-Recon是基于殘差編碼器對圖像進行降噪，可使圖像更加自然，可觀性更強[9]。由于其對圖像處理的優(yōu)勢，目前已經(jīng)應用在臨床冠狀動脈造影、膝蓋、骨盆和大腦成像中。但目前關于闡述基于DL-Recon 下降低Gd-DTPA 注射量對圖像質量的影響及減少臨床不良反應發(fā)生風險可行性的研究較少。

本研究旨在通過比較基于DL-Recon 在顱腦MRI增強掃描中應用不同Gd-DTPA 劑量對圖像質量的影響，探究DL-Recon 技術在保證圖像質量的前提下降低Gd-DTPA 注射量的可行性。本研究的結果可為臨床顱腦MRI提供新的圖像處理方法，并在臨床過程中減少對比劑的使用，從而減少由于高劑量對比劑的使用造成的藥物不良反應發(fā)生率。

1 材料與方法

1.1 一般資料

本研究遵守《赫爾辛基宣言》，與患者進行充分溝通，經(jīng)患者本人知情同意并簽署知情同意書后開展，所有內容均經(jīng)本院倫理部批準，批準文號：臨研審[2022]045 號。前瞻性選擇2022 年8 月1 日至2022 年9 月30 日于本院放射科進行顱腦MRI 增強檢查的65 例患者作為研究對象。納入標準：（1）無MRI掃描禁忌證，如幽閉恐懼癥、體內嵌入鐵磁性金屬等[10]；（2）需進行Gd-DTPA 靜脈注射輔助成像；（3）無顱內手術或頭顱外傷史；（4）無重度腎臟功能障礙。排除標準：掃描過程出現(xiàn)躁動或圖像運動偽影。最終共納入60例患者，其中男31例，女29例，年齡為36～77（56.8±9.4）歲，體 質 量 為47.9～90.3（68.2±17.1）kg。采用隨機對照法，按照是否降低Gd-DTPA注射量平均分為正常藥量組和降低藥量組。

1.2 Gd-DTPA靜脈注射

Gd-DTPA 購于Schering AG 公司（德國），按照體質量比，正常藥量組注射量為0.20 mL/kg；降低藥量組劑量為0.15 mL/kg。給藥方式為靜脈注射，注射前詢問患者有無過敏史以及慢性病史，同時做好患者的心理護理，消除患者緊張情緒[11]。注射后觀察患者狀態(tài)，如是否出現(xiàn)皮膚紅疹、頭暈、呼吸急促等。異常狀況及時匯報醫(yī)師，協(xié)同處理[12]。

1.3 MRI及重建

本研究所有圖像均使用本院3.0 T 超導MRI 儀（SIGNA Premier 3.0 T, GE Healthcare, Milwaukee,USA）掃描獲得，并利用48 通道頭顱專用線圈（GE Healthcare, USA）。Gd-DTPA靜脈注射5 min后進行常規(guī)T1矢狀位及軸位圖像掃描，掃描完成后立即掃描帶有DL-Recon 技術的T1 矢狀位及軸位圖像，掃描完成后自動生成DL-Recon T1矢狀位及軸位像，序列參數(shù)設置見表1。本研究的目的為對比減少對比劑使用量的情況下，使用DL-Recon處理的圖像是否可以達到或優(yōu)于注射正常藥量時使用傳統(tǒng)處理方法獲得的圖像質量，因此僅使用2D快速自旋回波（fast spin echo,FSE）T1WI對該方法的可行性和有效性進行說明。

1.4 圖像數(shù)據(jù)分析

主觀評價：由兩名具有10 年一線顱腦MRI 診斷經(jīng)驗的副主任醫(yī)師對圖像質量進行評價。圖像均作匿名化處理，且兩名醫(yī)師評價彼此獨立互不影響。評價方法為LIKERT 五分制法[13]（1 分：極差；2 分：差；3分：一般；4分：好；5分：優(yōu)秀），評價指標包括圖像整體質量、均勻度、偽影及增強效果。

客觀評價：完成主觀評價后，由上述兩名醫(yī)師對圖像進行標記，圈定感興趣區(qū)（region of interest,ROI）。在本研究中ROI的選取主要考慮：（1）包括圖像邊緣和居中部位；（2）滿足特定區(qū)域與周邊組織圖像質量的對比。因此，研究中ROI 選定區(qū)域為圖像背景、額上回（superior frontal gyrus, SFG）、蛛網(wǎng)膜下腔（subarachnoid space, SAS）和紅核（red nucleus,RN）[14]。在獲取掃描圖像后分別計算圖像背景、SFG及RN 區(qū)域的SNR 和上述區(qū)域與周邊組織的對比噪聲比（contrast-to-noise ratio, CNR），計算公式為式（1）～（4）。

其中，SI 指信號強度，SDnoise用相應層面圖像背景噪聲信號強度的標準差表示[15-16]。

1.5 統(tǒng)計學分析

使用SPSS 21.0軟件進行統(tǒng)計分析。單變量K-S檢驗用于正態(tài)性檢驗。滿足正態(tài)分布的數(shù)據(jù)以均數(shù)±標準差的形式表示，組間差異采用方差分析進行檢驗；不滿足正態(tài)分布的數(shù)據(jù)以四分位數(shù)的形式表示，組間差異采用秩和Mann-WhitneyU檢驗分析。兩名醫(yī)師的主觀評分一致性使用Kappa 檢驗[17]。P＜0.05時差異具有統(tǒng)計學意義。

2 結果

2.1 描述性分析

本研究最終共納入60 例顱腦MRI 增強掃描患者，正常藥量組及降低藥量組各30 例[18]。進一步根據(jù)患者Gd-DTPA 是否減量及圖像是否進行DL-Recon分為四組（圖1）：常規(guī)重建T1WI 下Gd-DTPA 正常劑量注射（常規(guī)圖像+正常藥量）；常規(guī)重建T1WI 下Gd-DTPA 減量注射（常規(guī)圖像+降低藥量）；DL-Recon T1WI 下Gd-DTPA 正常劑量注射（DL 圖像+正常藥量）；DL-Recon T1WI 下Gd-DTPA 減量注射（DL 圖像+降低藥量），分別對四組圖像進行主觀評價及客觀評價。正常藥量及降低藥量兩組患者間年齡、性別、體質量異均無統(tǒng)計學意義（P＞0.05，表2）。

圖1 感興趣區(qū)（ROI）的選定（1A）和患者分組流程（1B）。ROI-1、ROI-2和ROI-3分別為圈定的ROI；DL圖像為深度學習模型重建的圖像。Fig.1 The region of interest (ROI, 1A) and patient grouping process (1B) in current study.ROI-1, ROI-2 and ROI-3 are the circled regions of interest, respectively; DL image is the images processed by the deep learning model.

表2 患者基本臨床信息Tab.2 Basic clinical information of patients

2.2 客觀評價結果

相較于常規(guī)圖像+正常藥量組，使用DL-Recon重建的圖像中兩個ROI 區(qū)的SNR 和CNR 較常規(guī)圖像上升，圖像質量提高（P＜0.05）。使用DL-Recon重建的圖像中，正常藥量組和降低藥量組間SNR 及CNR 差異無統(tǒng)計學意義（P＞0.05）（表3，圖2）。

圖2 正常藥量組與降低藥量組主觀評價和客觀評價結果差異。DL圖像為深度學習模型重建的圖像；SNR：信噪比；SFG：額上回；SAS：蛛網(wǎng)膜下腔；CNR：對比噪聲比。Fig.2 The results of objective analysis and subjective analysis in four-group images.DL image is the images processed by the deep learning model.SNR:signal-to-noise ratio; SFG: superior frontal gyrus; SAS: subarachnoid space; CNR: contrast-to-noise ratio.

表3 圖像客觀評價結果Tab.3 Results of objective image evaluation

2.3 主觀評價結果

兩名觀察者對圖像的均勻度（Kappa=0.799,P＜0.001）、偽影（Kappa=0.580,P＜0.001）、整體質量（Kappa=0.847,P＜0.001）及增強效果（Kappa=0.784,P＜0.001）的主觀評價一致性較強。在四組圖像的主觀評價得分中，圖像均勻度得分四組間差異無統(tǒng)計學意義（P＞0.05），具體見表4。偽影和圖像整體質量得分各組間差異顯著：DL圖像+正常藥量組及DL圖像+降低藥量組顯著高于常規(guī)圖像+正常藥量組，差異具有統(tǒng)計學意義（P＜0.05）；常規(guī)圖像+降低藥量組相較于常規(guī)圖像+正常藥量組，其增強效果差（P＜0.05）；DL圖像+降低藥量組相較于常規(guī)圖像+正常藥量組，差異無統(tǒng)計學意義（P＞0.05），具體見圖3～4。

圖3 男，65 歲，無病灶患者顱腦MRI 增強掃描圖像，采用0.20 mL/kg 劑量的釓噴酸葡胺進行T1 增強掃描；3A、3B 分別是常規(guī)重建獲得的軸位及矢狀位圖像；3C、3D分別是經(jīng)深度學習重建技術生成的軸位及矢狀位圖像。Fig.3 The brain image of enhanced T1 MRI from a 65-year-old patient without lesions, in which the injection dose of Gd-DTPA is 0.20 mL/kg.3A and 3B are the axial and sagittal images obtained using conventional reconstruction, respectively; 3C and 3D show the axial and sagittal images generated by deep learning reconstruction technology, respectively.

圖4 女，40歲，有病灶腦膜瘤患者顱腦MRI增強掃描圖像，采用0.15 mL/kg劑量的釓噴酸葡胺進行T1增強掃描。4A、4B分別是常規(guī)重建方法獲得的軸位及矢狀圖像；4C、4D分別是經(jīng)深度學習重建技術生成的軸位及矢狀圖像。顱腦右側頂部可見一腦膜瘤。Fig.4 The brain image of enhanced T1 MRI from a 40-year-old patient with focal meningiomas, in which the injection dose of Gd-DTPA is 0.15 mL/kg.4A and 4B are the axial and sagittal images obtained using conventional reconstruction, respectively; 4C and 4D show the axial and sagittal images generated by deep learning reconstruction technology, respectively.

3 討論

本研究通過比較基于DL-Recon在顱腦MRI增強掃描中應用不同Gd-DTPA 劑量成像的質量，表明使用DL-Recon算法的圖像質量顯著高于常規(guī)重建算法，且在DL-Recon成像模式下對比劑的減量對圖像質量無明顯影響。這一結果顯示出DL-Recon成像模式在保障圖像質量的基礎上，有降低Gd-DTPA注射量的潛在能力。這一結果可為臨床顱腦MRI提供新的圖像處理方法，并在臨床過程中減少對比劑的使用量，從而減少由于高劑量對比劑的使用造成的藥物不良反應發(fā)生率。

3.1 DL-Recon技術具備降低Gd-DTPA注射量的潛能

DL-Recon技術可顯著提高顱腦MRI圖像質量，且降低Gd-DTPA 注射量對DL-Recon 的圖像質量未有顯著性影響[19]。因此DL-Recon 技術具備保證臨床診斷需要的前提下降低Gd-DTPA注射量的潛能。

3.1.1 DL-Recon T1WI與傳統(tǒng)T1WI相比的優(yōu)勢

DL-Recon T1WI與傳統(tǒng)T1WI相比具有噪聲低、圖像質量及SNR 值高的優(yōu)點，能夠滿足顱腦診斷需求。雖然客觀評價指標顯示DL-Recon T1WI 與常規(guī)T1WI差異無統(tǒng)計學意義，但DL-Recon T1WI主觀評分明顯優(yōu)于常規(guī)T1WI，圖像細膩程度更高。其原因可能是常規(guī)T1WI利用濾波反投影得到的圖像信息作為重建圖像的初始輸入，使用矩陣代數(shù)將每個像素的測量值轉換為新估計值，再將該像素值與噪聲模型預測的理想值進行比較，在連續(xù)的迭代步驟中重復該過程，直到最終的估計像素值和理想像素值收斂為止[20]。而DL-Recon T1WI通過利用原始k空間數(shù)據(jù)輸出高質量圖像，采用深度卷積神經(jīng)網(wǎng)絡重建具有更高SNR、更大邊緣銳利度和減少偽影的圖像，并不斷對圖像進行優(yōu)化，重建出與標準圖像具有較小差異的圖像[21]。這一點也可以在其他研究的結果中體現(xiàn)，如DL-Recon技術可以提升神經(jīng)黑色素成像的SNR 和病灶組織的CNR，提升幅度可達到2～3 倍[22-23]，高于本研究結果1～1.5 倍。此外，在癲癇診斷過程中結果也顯示DL-Recon技術可以顯著提高海馬體成像分辨率，尤其是冠狀位[24]。這與本研究結果的趨勢一致。

3.1.2 DL-Recon 技術可用于臨床顱腦MRI 過程中降低對比劑用量

本研究中Gd-DTPA 是目前較常用的細胞外間隙MRI 順磁性對比劑，在病變同等強化程度下，其三期動態(tài)增強掃描反映了病變的血供特點及強化方式。與貧血供病灶相比，Gd-DTPA 通常對富血供病灶有更好的顯影效果，常應用于顱腦和脊髓MRI，以進行腫瘤、炎癥和血管病變的診斷與鑒別診斷[25]。盡管臨床前常規(guī)的安全藥理學、重復劑量毒性試驗、基因毒性、潛在致癌性和生殖毒性試驗資料顯示對人體無特別危害，但Gd-DTPA臨床不良反應仍無法完全避免[26-27]。本研究在常規(guī)圖像和DL-Recon 技術正常注射藥量、DL-Recon 技術下減量注射藥物的基礎上，發(fā)現(xiàn)在DL-Recon技術下減量注射藥物對圖像均勻、偽影和圖像整體質量得分各組間差異性顯著，但兩組間圖像的增強效果無明顯差異。使用DL-Recon技術對顱腦MRI的圖像進行處理，可在保證圖像質量的同時將對比劑的用量從0.20 mL/kg降低至0.15 mL/kg。DL-Recon技術這種新的應用方式，可能對減輕由于高劑量對比劑的使用導致的不良藥物反應的發(fā)生有明顯作用[28]。此外，由于使用通過DL-Recon 技術對圖像質量的提升，外科醫(yī)生能夠在術前精確評估病灶的位置和數(shù)目，為選取正確、有效的治療方案提供重要參考，從而提高患者的生存率；對于術后復查或規(guī)律治療后復查的患者，由于需要密切觀察病灶的數(shù)量及大小變化，故DL-Recon技術對將來隨訪也有重要的意義[29-30]。

3.2 局限性與展望

本研究初步證實了應用DL-Recon技術在不影響圖像質量的前提下，有降低Gd-DTPA注射量的應用潛力。然而，本研究也存在一定局限：（1）本研究為一項單中心研究且納入的樣本量相對有限；（2）使用的DL-Recon 算法較為單一；（3）本研究僅評估基于DL-Recon 算法中降低Gd-DTPA 注射量圖像的增強效果，未調查提出的算法對顱內疾病患者的診斷效能。因此，在未來研究過程中我們將收集更多病例數(shù)據(jù)，增加樣品數(shù)量；結合深度學習圖像重建前沿算法建立顱腦增強掃描圖像處理技術；此外我們將進一步關注實際病例顱腦圖像的采集和處理，以開展在降低Gd-DTPA 注射量后采用本研究算法重建的圖像中診斷顱內疾病的實際效果。

4 結論

綜上所述，本研究通過比較基于DL-Recon 技術在顱腦MRI 增強掃描中應用不同Gd-DTPA 劑量對圖像質量的影響，發(fā)現(xiàn)基于DL-Recon 的圖像在同時降低藥量時與正常注射量常規(guī)圖像間的增強效果相當，說明DL-Recon 算法具備在保證圖像質量的前提下降低Gd-DTPA注射量的應用能力。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：盧潔負責對研究內容進行設計，并對稿件進行結構和內容設計，提供溝通及協(xié)調幫助；梁丹參與選題和設計，負責試驗資料的查找和收集，為資料分析與解釋的主要執(zhí)行人，完成稿件撰寫和修改；張默和馬素文參與樣本的收集與質控，并對樣品信息進行記錄，對資料的分析與解釋，并對稿件重要內容進行了修改。盧潔獲得了匯智人才工程-支持計劃-領軍人才項目資助。全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。