European Radiology：ComplexNet深度学习技术在SWI中的应用

敏感性加权成像（SWI）由于其对脱氧血红蛋白和颅内矿物质沉积的特殊敏感性，已成为临床脑部成像的常用技术之一，已被广泛应用于多种疾病的诊断成像，包括颅内出血、脑微出血（CMBs）、脑外伤、出血性或钙化性肿瘤以及与铁积累相关的神经退行性疾病等。然而，SWI扫描需要很长的回波时间来建立相位对比，因此采集时间较长，会造成运动伪影并加重患者的焦虑。同时，采集时间的延长也限制了常规临床SWI的空间分辨率和层厚。

SWI通常使用T2*加权梯度回波（GRE）序列进行数据采集，然后结合幅值和相位信息来增强T2*加权图像的对比。为了加速SWI数据的获取，一种有效的方法是对K空间数据进行欠采样，然后利用额外的信息进行重建。传统上，从欠采样数据中重建图像需要利用平行成像和压缩感应（CS）等技术，而CS重建的计算成本很高，通常需要对正则化参数进行经验调整，这对于在实际临床应用中十分具有挑战性。最近，深度学习技术在重建欠采样MRI数据方面获得了极大的进展，在重建质量和速度方面都有改进。

近日，发表在European Radiology杂志的一项研究本开发了一种新型的用于快速准确地重建高度加速SWI数据的深度复值卷积神经网络（ComplexNet），并研究了其在重建质量和临床脑成像中的病理可视化方面的性能。

本研究开发了一个用于从高度加速的K空间数据中重建高质量SWI的ComplexNet模型。ComplexNet可以利用SWI数据固有的复值性质，通过使用复值网络学习更丰富的表征。SWI数据来自2019年至2021年期间接受临床脑MRI检查的117名参与者，包括肿瘤、卒中、出血、脑外伤等患者。使用定量的图像指标和图像质量评分来评估重建质量，包括整体图像质量、信噪比、清晰度和伪影。 

ComplexNet的平均重建时间为每节19毫秒（每个参与者1.33秒）。与传统的压缩传感方法和加速率为5和8的实值网络相比，ComplexNet取得了明显改善的定量图像指标（P < 0.001）。同时，在两种加速率下，完全采样法和ComplexNet法在整体图像质量和伪影方面没有明显差异（p>0.05）。此外，ComplexNet显示出与全采样SWI相当的诊断性能，可用于显示广泛的病理，包括出血、脑微出血和脑肿瘤。 

图 40岁男性，多发性脑微出血，在R=5（上行）和R=8（下行）的情况下用于比较不同重建方法的代表性SWI图像。ComplexNet显示出最高的图像质量，其清晰度得到很好的保留，右侧脑室分散的微出血清晰可见（金色箭头）

本研究所提出的ComplexNet能有效地加速SWI数据的获取，并提供高质量的图像重建以实现各种病变的可视化。ComplexNet更广泛的临床应用可使时间紧迫的疾病得到更有效的诊断和治疗。

原文出处：

Caohui Duan,Yongqin Xiong,Kun Cheng,et al.Accelerating susceptibility-weighted imaging with deep learning by complex-valued convolutional neural network (ComplexNet): validation in clinical brain imaging.DOI:10.1007/s00330-022-08638-1