European Radiology:深度学习，给踝关节压缩感知MR成像“加油”！

在人体中，踝关节是最复杂的关节之一，有多个韧带和肌腱的附着及支撑。在美国，每天大约有10000人出现踝关节损伤，其中最常见的损伤类型是扭伤。磁共振（MR）成像因其软组织对比度最高，已成为评估肌肉骨骼疾病的主要成像方式之一。然而，由于编码时间长，数据采集过程十分缓慢，漫长的扫描时间所带来的是检查费用的增加及病人数量的减少，同时，图像质量也经常受到运动伪影的影响。

随着技术的进步，平行成像（PI）和压缩传感（CS）的发展加速了MR图像的采集。CS减少了K空间的采集线数，并通过迭代重建算法恢复了丢失的数据。多项研究表明，CS和PI的组合可以将踝关节的MR图像采集时间减少20%，而不影响诊断性能。最近，基于深度学习的方法，如卷积神经网络（CNN）和生成对抗网络（GAN）已经显示出加速MR成像数据采集过程的良好效果。

近日，发表在European Radiology杂志的一项研究评估了结合PI、CS和基于深度学习的压缩感知人工智能框架（CSAI）对多对比度和多平面踝部MR成像进行额外的2倍和3倍加速成像的效果，并对传统技术与其图像质量和诊断性能进行了比较，为临床快速、高效的获得更高质量的踝关节MR图像提供了技术支持。

本研究共纳入30名患者进行了3T MR扫描。仅使用压缩传感（12:44分钟，CS）、加速因子为4.6-5.3的CSAI（6:45分钟，CSAI2x）和加速因子为6.9-7.7的CSAI（4:46分钟，CSAI3x）获得了脂肪饱的轴向T2-w、冠状T1扫描。此外，使用CSAI获得了与CS相扫描时间相似的高分辨率轴位T2扫描。对异常情况的描述和存在进行了分级，并计算了信号-噪声和对比度-噪声。用Wilcoxon签名秩检验和Cohen's kappa来比较CSAI和CS序列。 

CS和CSAI2x之间的相关性完美（κ=1.0），CS和CSAI3x的相关性为优秀（κ=0.86-1.0）。CS和CSAI2x对结构的描述没有发现明显的差异，两种方案都检测到了相同的异常。CSAI3x的描述等级较低（P≤0.001）。对于CSAI2x来说，对比度-噪声液体/肌肉比CS高（p≤0.05），而其他组织没有发现差异。CSAI3x的信号-噪声和对比度-噪声都比CS高（p≤0.05）。高分辨率轴向T2序列明显改善了对肌腱和胫骨神经的显示（p≤0.005）。 

图 一位30岁女性患者的高分辨率轴位T2加权CSAI TSE图像（a，2:50分钟）和常规CS TSE图像（b，2:25分钟）。请注意，与CS TSE图像相比，高分辨率CSAI TSE图像对肌腱和胫骨神经的显示十分详细，与邻近结构的区分度也有所提高

本研究对压缩感知人工智能框架进行了评估，并发现使用CSAI可在不降低诊断图像质量的情况下将采集时间减少47%。同时发现，减少63%的采集时间仍能得到满足临床诊断的图像，但应给保留病人在有明显疼痛或只能在短时间内保持不动等特定情况的可能。

原文出处：

Sarah C Foreman,Jan Neumann,Jessie Han,et al.Deep learning-based acceleration of Compressed Sense MR imaging of the ankle.DOI:10.1007/s00330-022-08919-9