检索历史 清除

目的:旨在评估深度学习重建(deep learning reconstruction,DLR)算法在缩短磁共振成像(magnetic resonance imaging,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(number of excitation,NEX)、矩阵、l-to-noise ratio,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31～244 s.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141 s、141 s、187 s及232 s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.