目的 探讨深度学习重建算法(DLR)在肩关节MRI中提高图像质量和缩短扫描时间的可行性与临床价值.方法 前瞻性纳入2023年6月至10月期间在南京医科大学第四附属医院的50例疑似患有肩关节病变的患者,采用1.5T MRI行常规序列扫描图像为Fsecon组,使用并行采集加速因子2的扫描图像为Fsefast组,扫描序列包括脂肪抑制质子加权像(PDWI-FS)和T1加权像(T1WI),将Fsefast组传至Subtle MRTMdlr后获得图像Fsedlr组.测量三组图像中的冈上肌、肱二头肌长头肌腱、盂唇软骨、肱骨骨髓的信号噪声比(SNR)及冈上肌/盂唇软骨的对比噪声比(CNR)并进行比较,两名放射科医师双盲采用Likert 4分法分别对Fsedl,组与Fsecon组的图像清晰度和伪影进行主观评价,并对这两组的病理异常结构进行诊断效能对比.结果 相对于Fsecon组,Fsedlr组扫描时间缩短了 44％,且图像清晰度评分、伪影评分均增高,差异有统计学意义(P＜0.05),两名医师主观评分组内相关性系数为0.797～0.919.客观评价指标中,Fsedlr组的SNR和CNR均明显高于Fsecon组与Fsefast组,差异均有统计学意义(P＜0.05).在两位医师对Fsecon组与FSEdlr组病理异常结构的评估中,两组的诊断结果均有较好的一致性(Kappa值:0.675～1.000),在同一名医师的评估中也显示出极好的一致性(Kappa值:0.771～1.000),其中肱骨骨髓、关节滑囊、肱二头肌长头肌腱的Kappa值均高于0.8.结论 将DLR算法应用于肩关节MRI检查中,能够提高图像质量、缩短图像采集时间,并保证诊断效能,提高检查效率,具有较好的临床价值.

目的:探讨不同等级深度学习图像重建(DLIR)算法对肾上腺肿瘤的检出、组学特征可重复性和组学模型鉴别肿瘤类型效能的影响.方法:回顾性收集41例肾上腺功能性腺瘤(FAA)和46例肾上腺转移瘤(AM)患者的临床和影像资料.CT增强扫描完成后,对静脉期的原始数据采用4种强度等级(DL1、DL2、DL3、DL4)的DLIR算法进行重建.首先采用主、客观指标比较4种等级间图像质量的差异;然后使用Research Portal V1.1科研平台对各组重建图像上肾上腺肿瘤进行分割并提取450个影像组学特征,包括原始图像特征90个和拉普拉斯(LoG)滤波后的高阶特征(高斯核:0.5、1.0、1.5、2.0)360个.采用一致性相关系数(CCC)评估采用不同图像重建等级测量的FAA和AM组学特征的可重复性.最后,在各组重建图像中采用逐步特征选择策略,筛选出最优特征集并构建鉴别FAA和AM的组学模型.利用五折交叉验证法验证4个组学模型的鉴别效能,利用分层交叉验证法测评4个模型的泛化能力.结果:DL2和DL3在肾显示上腺肿瘤的清晰度方面最优,得分为4(4,5),优于DL1相应得分4(3,5)和DL4相应得分4(3,4),且差异具有统计学意义(F=139.045,P<0.05).随着DLIR降噪等级的提升,原始特征CCC值>0.85的个数逐渐减少,DL4中FAA和AM特征可重复的比例仅占39.3％(21/90)和50.9％(29/90).组学特征经过LoG滤波(高斯核2.0)处理后,CCC值>0.85的个数增加,DL4中FAA和AM特征可重复的比例占91.1％(82/90)和93.3％(84/90).4个组学模型在测试集中的曲线下面积(AUC)和符合率均>0.75,DeLong检验显示AUC的差异无统计学意义(Z=0.177～1.284,P=0.199～0.859).但分层交叉验证显示,DL4重建图像的泛化能力最弱,AUC和符合率均<0.75.结论:高降噪等级的DLIR算法会降低对肾上腺肿瘤显示的清晰度以及组学模型的泛化性.虽然LoG滤波器(高斯核:2.0)有助于提升组学特征测量的可重复性,但仍建议在肾上腺影像诊断和组学模型训练时,使用中低降噪等级的DLIR图像.

目的:探索深度学习图像重建(DLIR)算法是否可以改善静脉期肛管直肠的CT图像质量.方法:回顾性纳入进行腹部CT增强扫描的71例患者,所有影像资料使用50%ASiR-V和DLIR低、中、高(DLIR-L、DLIR-M、DLIR-H)3个强度的DLIR重建静脉期薄层图像.测量各组图像的肛管和臀部脂肪的CT值和标准差(SD),以臀部脂肪SD作为背景噪声,计算肛管对比噪声比(CNR)和信噪比(SNR).两名影像科医师使用Likert 5分量表法独立进行图像质量评估和直肠癌局部侵犯情况诊断信心评价.分析比较客观测量指标和图像主观评分,采用Kappa检验评估一致性.结果:各组间肛管CT值及臀部脂肪CT值比较差异没有统计学意义(P>0.05),脂肪SD、肛管SNR及CNR比较差异有统计学意义(P<0.05),DLIR-H组脂肪SD最低,SNR及CNR最高,而50%ASiR-V组脂肪SD最高,SNR及CNR最低.与50%ASiR-V组相比,DLIR-H组脂肪SD降低44.3%,肛管SNR及CNR分别提升89.5%和92.1%(P<0.05).4组图像质量主观评分比较差异有统计学意义(P<0.05),从DLIR-H到50%ASiR-V依次降低.其中50%ASiR-V、DLIR-L组间比较差异没有统计学意义(P>0.05),其余各组间比较差异均有统计学意义(P<0.05).各组间直肠癌局部侵犯情况诊断信心评分比较差异有统计学意义(P<0.05),DLIR-M及DLIR-H组优于50%ASiR-V组(P<0.05).结论:与标准50%ASiR-V图像相比,DLIR-M和DLIR-H重建算法能有效提高图像质量,重建强度越高,图像质量越好,显示细微结构的能力越强,能为临床精准评估及个体化精准治疗提供更多的依据.

目的:将深度学习图像重建（DLIR）算法与双能量CT（DECT）结合，评估胃癌低keV单能图像质量，并与常规自适应统计迭代重建（ASiR-V）算法图像进行比较。方法:该研究为横断面研究，前瞻性收集2022年9月至2023年3月郑州大学第一附属医院31例胃癌患者的DECT图像，基于动脉期和静脉期图像，使用DLIR算法分别在低、中、高强度水平下（DLIR-L、DLIR-M、DLIR-H）重建55 keV单能量图像，同时使用ASiR-V算法重建70 keV 40%混合系数（ASiR-V40%）图像。在图像客观评价中，分别在4组重建图像上计算病灶和肌肉的信噪比（SNR）、对比噪声比（CNR）。在图像的主观评价中，对各组重建图像的总体图像质量、病灶显示能力及诊断信心进行评分。4组间SNR和CNR的比较采用单因素重复测量方差分析或Friedman检验，评分的比较采用Friedman检验，用Bonferroni校正对事后两两比较进行调整。结果:在客观评价中，动脉期和静脉期55 keV DLIR-H图像上CNR 病灶、SNR 病灶以及SNR 肌肉最高，且在70 keV ASiR-V40%、55 keV DLIR-L、DLIR-M以及DLIR-H图像上呈逐渐升高的趋势（ P<0.05）。在主观评价中，与70 keV ASiR-V40%相比，55 keV DLIR-H的总体图像质量评分升高，但差异无统计学意义（ P>0.05），DLIR-M评分相似或略差，而DLIR-L图像质量评分下降（ P<0.05）。55 keV DLIR的各水平重建图像的病灶显示能力及诊断信心在动、静脉期均高于70 keV ASiR V40%图像（ P<0.05）。 结论:相比70 keV ASiR-V40%常规图像，55 keV DLIR-H图像具有更高的病灶对比度和诊断信心，且图像噪声更低。55 keV DLIR-M图像与70 keV ASiR-V40%的整体图像质量相当，但前者的病灶对比度和诊断信心更高。55 keV DLIR-L无法将图像质量提升至70 keV ASiR-V40%水平。

目的:探讨基于生成对抗网络重建PET图像在改善儿童低剂量 18F-FDG PET图像质量及病灶检出中的价值。 方法:回顾性分析2021年8月至2021年12月于首都医科大学附属北京友谊医院行 18F-FDG全身PET/CT显像的61例患儿[男38例、女23例，年龄(4.0±3.5)岁]的PET图像，将所有患儿通过列表模式提取的低剂量扫描(30 s、20 s、10 s)图像输入生成对抗网络进行深度学习(DL)重建，获取相应模拟标准全剂量(DL-30 s、DL-20 s、DL-10 s)图像。测量标准全剂量120 s、30 s、20 s、10 s、DL-30 s、DL-20 s、DL-10 s图像的肝血池及原发病灶半定量参数，计算靶本比(TBR)、对比噪声比(CNR)及 CV。采用5分Likert量表对图像质量进行主观评分，对比各组图像阳性病灶检出情况，计算阳性病灶检出的灵敏度及阳性预测值。采用Mann-Whitney U检验、Kruskal-Wallis秩和检验及 χ2检验分析数据。 结果:30 s、20 s、10 s组图像CNR分别低于DL-30 s、DL-20 s、DL-10 s组( z值：-3.58、-3.20、-3.65，均 P<0.05)。DL-10 s组评分低于120 s、DL-30 s及DL-20 s组[4(3，4)、5(4，5)、4(4，5)、4(4，5)分； H＝97.70， P<0.001]；120 s、DL-30 s、DL-20 s及DL-10 s组图像的TBR、CNR、 CV、病灶及肝血池SUV max和SUV mean差异均无统计学意义( H值：0.00~6.76，均 P>0.05)。DL-30 s、DL-20 s、DL-10 s组图像阳性病灶检出的灵敏度分别为97.83%(225/230)、96.96%(223/230)和95.65%(220/230)，阳性预测值分别为96.57%(225/233)、93.70%(223/238)、84.94%(220/259)；DL-10 s组阳性预测值较低( χ2＝23.51， P<0.001)。DL-10 s组对不同部位阳性病灶检出的假阳性及假阴性病灶较多。 结论:基于生成对抗网络的DL-20 s组图像质量较高，能达到临床诊断要求。

目的:探讨不同辐射剂量下深度学习图像重建算法(DLIR)相对于常规迭代重建算法(ASIR-V)对腹部体模CT图像质量的改善价值。方法:根据管电压设置100 kV组与120 kV组，每组按照容积剂量指数(CTDI vol)不同(2、4、6、8、10、15 mGy)分为6组进行常规扫描，获得基于滤波反投影(FBP)算法的CT图像，并使用不同权重迭代重建算法(ASIR-V 50%、80%、100%)及不同等级深度学习重建算法(DLIR-L、DLIR-M、DLIR-H)进行图像重建，共获得84组图像。对比分析不同重建方式下各CTDI vol组图像各部位CT值、噪声、信噪比(SNR)、对比噪声比(CNR)及主观评分的变化规律。图像质量主观评分比较采用Kruskal-Wallis H检验，客观指标和辐射剂量比较采用单因素方差分析及配对样本 t检验。 结果:同一管电压下，各CTDI vol组不同重建条件下各部位的噪声、SNR、CNR差异均有统计学意义( F ＝415.39、315.30， P<0.001)，且ASIR-V 50%与DLIR-L图像的噪声、SNR、CNR差异无统计学意义( P>0.05)；主观评分之间差异均有统计学意义(100 kV组： H＝13.47， P＝0.036；120 kV组： H＝12.99， P＝0.043)，且两名医师的主观评分一致性较高(Kappa>0.70)，其中DLIR-H图像质量评分最高，DLIR-M与ASIR-V 50%图像质量主观评分基本一致；100 kV组图像质量主观评分整体较120 kV略高。以CTDI vol为15 mGy组ASIR-V 50%图像作为参照，在满足诊断需求的前提下，低中高等级的DLIR可以分别降低辐射剂量超过30%、70%、85%。 结论:DLIR算法不仅能够显著降低图像噪声、提高图像质量，而且可以在满足诊断需求的前提下有效降低辐射剂量；推荐临床应用100 kV结合中、高等级DLIR行腹部低剂量CT扫描。

目的:评价深度学习重建（DLIR）算法结合低管电压技术相对于自适应统计迭代重建（ASiR-V）算法对腹部增强CT动脉晚期图像中微小动脉的显示情况。方法:前瞻性收集2021年12月至2022年1月就诊于北京大学人民医院需排查腹部疾病并接受腹盆腔增强CT扫描的患者。根据CT扫描不同管电压以简单随机法将患者分为80 kV低管电压（LV）组和120 kV高管电压（HV）组。根据不同重建算法，每组再进一步分为DLIR-H（D）和ASiR-V 50%（A）2个亚组。对患者进行CT增强扫描时均采用自动管电流调节技术，噪声指数统一设置为9。对重建层厚为0.625 mm的动脉晚期图像进行主观评价和客观指标评价，并记录动脉晚期扫描的辐射剂量。结果:共纳入168例患者，其中男76例，女92例，年龄18~85（53±15）岁，体质指数（24±3）kg/m 2；LV组91例、HV组77例。LV组主动脉和肝总动脉CT值明显高于HV组（ t=-14.20， P<0.001； t=-0.95， P<0.001）。管电压相同时，D亚组动脉晚期图像噪声明显低于A亚组，肝脏、主动脉、肝总动脉信噪比（SNR）和对比噪声比（CNR）均明显高于A亚组（ P均<0.001）。LV-D亚组中主动脉和肝总动脉SNR和CNR明显优于LV-A、HV-D、HV-A亚组（ P均<0.001）。腹部血管显示的主观评价方面，LV-D亚组肝总动脉、肠系膜下动脉、左结肠动脉升支边缘的空间分辨力以及左结肠动脉升支对比度均显著优于LV-A、HV-D、HV-A亚组（ P<0.05），脾区边缘动脉显示率（54.9%，50/91）显著优于HV-D（24.7%，19/77）和HV-A亚组（32.5%，25/77）（校正后 P<0.05）。LV组与HV组间有效辐射剂量分别为（4.91±1.97）、（5.43±1.78）mSv，差异无统计学意义（ P>0.05）。 结论:低管电压技术结合DLIR算法的腹部增强CT扫描能够有效提升肠系膜下动脉发出的左结肠动脉升支及脾区边缘动脉的显示水平，为类似微小血管的评估带来更多的可能性。

目的:探讨基于体模和动物模型的深度学习重建算法（TF-GSI）和自适应统计迭代重建算法（ASiR-V）对于能谱CT图像质量的影响。方法:使用GE Revolution Apex能谱CT对ACR 464体模和胃癌淋巴结转移小鼠模型（ n=16）进行扫描。分别在体模和小鼠的70 keV虚拟单能图像上重建TF-GSI和ASiR-V的中、高两档等级图像（TF-GSI-M、TF-GSI-H、ASiR-V50%和ASiR-V100%）。评价体模各组图像骨和丙烯酸的任务传递函数（TTF）、图像噪声功率谱（NPS）以及可检测能力指数（d′）。使用单因素方差分析对比小鼠图像噪声、脑组织和肝脏的信噪比（SNR）和对比噪声比（CNR）。2名医师（A和B）评价TF-GSI-H和ASiR-V100% 2种重建算法图像对微小病灶检出的一致性采用Kappa检验。 结果:体模方面，TF-GSI-H组图像在TTF、NPS和d′的表现均最佳：相较ASiR-V100%，TF-GSI-H组图像骨和丙烯酸的TTF 50%分别升高了2.4%和8.9%，TF-GSI-H组图像的NPS peak下降了54.1%，TF-GSI-H相对ASiR-V100%对骨和丙烯酸的检出能力分别提升了52.7%和59.5%。TF-GSI组相较ASiR-V组图像噪声降低，2种组织的SNR和CNR均升高，但各组图像间差异不具有统计学意义（ P>0.05）。2名医师对2种重建算法图像评价的一致性良好（A，Kappa=0.875， P<0.001；B，Kappa=0.625， P=0.012）。2种重建算法图像对小鼠微小转移灶的检出方面，TF-GSI组高于ASiR-V组（准确度分别为83.5%、71.9%；灵敏度分别为77.8%、61.2%；特异度分别为85.7%、85.7%）。 结论:TF-GSI相对ASiR-V可以提高能谱CT虚拟单能图像的空间分辨率，改善图像噪声并具有提高微小病灶检出的潜在价值。

近年来，CT图像算法中基于深度学习的图像重建（DLIR）技术不断发展，日益成熟，目前已经逐步应用于临床实践中。DLIR算法较常规迭代重建算法具有在降低辐射剂量和图像噪声的同时不改变图像纹理，保持或提高解剖细节显示能力、总体图像质量和医生诊断信心的众多优势。因此，笔者重点就DLIR算法的原理、优劣势及其在人体各系统的临床应用进展进行综述，旨在进一步提高对DLIR算法的认识，并对其可能的应用情景提供借鉴。

目的:探讨基于深度学习的快速磁敏感加权成像（SWI）评估急性缺血性卒中（AIS）的价值。方法:回顾性分析2019年1月至2021年1月在解放军总医院第一医学中心接受MR检查并行SWI序列扫描且发病24 h内的AIS患者118例，其中男75例、女43例，年龄23~100（66±14）岁。采用MATLAB的randperm函数将118例患者以8∶2的比例分为训练集96例，测试集22例。另外收集MR-STARS研究招募的同一中心的47例AIS患者作为外部验证集，其中男38例、女9例，年龄16~75（58±12）岁。将SWI图像和滤波相位图像合并为复值图像作为全采样参考图像。对全采样参考图像进行回顾性欠采样以模拟实际欠采样过程，获得欠采样SWI图像，欠采样倍数为5倍，可节省80%的扫描时间；然后基于复值卷积神经网络（ComplexNet）的深度学习模型重建快速SWI数据。采用组内相关系数（ICC）或Kappa检验比较全采样SWI和基于ComplexNet的快速SWI的图像质量评分一致性及检出AIS患者磁敏感血栓征（SVS）、微出血、深部髓质静脉（DMVs）不对称的一致性。结果:测试集中全采样SWI图像质量的评分为（4.5±0.6）分，基于ComplexNet的快速SWI图像质量评分为（4.6±0.7），两者一致性较好（ICC=0.86， P<0.05）；全采样SWI与基于ComplexNet的快速SWI检出AIS患者SVS（Kappa=0.79， P<0.05）、微出血（Kappa=0.86， P<0.05）、DMVs不对称（Kappa=0.82， P<0.05）一致性较好。外部验证集中，全采样SWI图像质量的评分为（4.1±1.0）分，基于ComplexNet的快速SWI图像质量的评分为（4.0±0.9）分，两者一致性较好（ICC=0.97， P<0.05）；全采样SWI与基于ComplexNet的快速SWI检出AIS患者SVS（Kappa=0.74， P<0.05）、微出血（Kappa=0.83， P<0.05）和DMVs不对称（Kappa=0.74， P<0.05）的一致性较好。 结论:深度学习技术可显著加快SWI速度，且基于ComplexNet的快速SWI与全采样SWI的图像质量及检出AIS征象的一致性好，可应用于AIS患者的影像学评估。