深度學習重建法在MRI重建中的應用進展

周楠，花立春，劉杰，邊傳振

南京醫科大學附屬兒童醫院 放射科，江蘇 南京 210008

引言

近年來，隨著MRI 技術的飛速發展，其高分辨率、多對比度、多參數成像等優點越發凸顯，且無電離輻射等缺點，現已成為一種不可或缺的臨床檢查方法，為多種疾病的臨床診斷、治療以及愈后復查提供了依據[1-3]。但MRI 成像時間較長，不僅會給患者帶來不適而造成運動偽影，還會增加器官非自主運動概率，如吞咽、呼吸以及心跳等，也會造成圖像模糊和對比度失真，從而影響其進一步應用[4-6]。

縱觀MRI 的發展歷程，無論是在硬件方面的提升還是在軟件方面的改進，通常圍繞著減少成像時間與提高影像質量兩個方面，其中圖像重建算法與其息息相關[7]，目前，MRI 重建法主要有4 種：部分傅里葉重建法、并行成像重建法、壓縮感知重建法以及新興的基于深度學習的重建法。部分傅里葉重建法利用K 空間的共軛對稱特性，僅填充K 空間50%以上的數據，再利用共軛對稱、Homodyne、零填充等算法對未采集的K空間數據進行補充，從而縮短數據采集時間，是最早的基于K 空間的MRI 重建法，但目前該重建法成像效果不甚理想，圖像偽影比較嚴重，圖像整體質量一般，且重建時間較長，已很少用于臨床[8]。并行成像重建法是當前MRI 應用最廣泛的重建方法，其代表算法主要有靈敏度編碼重建法、一般性自動校準部分并行采集重建法以及迭代自一致性并行成像重建法。并行成像重建法主要利用不同空間位置上相控陣線圈靈敏度的差異性來進行空間編碼，從而減少K 空間數據采集的時間。因此，并行成像重建法能夠消除K 空間中的相位編碼數據采樣不足而導致的混疊偽影，但因其減少了相位編碼采集數據，也會導致重建圖像的信噪比（Signal to Noise Ratio，SNR）降低，且當并行采集因子過大時還會導致所得圖像出現一系列偽影[9]。壓縮感知重建法以遠低于奈奎斯特采樣定律的采樣頻率對K 空間進行隨機欠采樣，利用MRI 圖像在變換域中的稀疏性，通過非線性重建算法消除圖像中的非相干偽影，恢復欠采樣的K 空間數據從而得到重建圖像。壓縮感知重建法可以大幅減少傅里葉變換域中的采樣數據，從而節約掃描時間，但在加速因子較大時圖像也可能會出現偽影，且壓縮感知重建過程計算量大而復雜。因此，對計算機硬件要求較高，壓縮感知重建法還需要對正則化參數進行微調，均對其重建速度產生影響[10]。Wang 等[11]于2016 年首次提出深度學習MRI 重建法，該重建法不需要人為的手動調參，在保證優質圖像質量的同時還可以大量縮短掃描時間和重建時間，具有非常高的臨床使用價值。目前，深度學習MRI 重建法已廣泛應用于人體不同部位成像。本文旨在總結MRI 深度學習圖像重建法在不同部位的臨床應用進展，以期為后續MRI 深度學習圖像重建法的臨床應用提供理論依據。

1 MRI深度學習圖像重建算法概述

隨著計算機精密算法的飛速發展，人工智能開始頻繁應用于醫學影像領域[12]。機器學習是人工智能的一個分支，能夠在經驗學習中改善算法本身的性能。傳統的機器學習主要是探索模擬人的學習機制，以解決具體的問題，但在大樣本訓練時性能欠佳，還易發生欠擬合現象，對非線性問題處理能力有限，特別是在處理圖像任務時仍面臨挑戰[13]。深度學習是人工智能的新方向[14]，主要是學習樣本數據的內在規律和表示層次，其在學習過程中獲得的信息對諸如圖像和聲音等數據的解釋有較大的幫助。深度學習的目標是讓機器能夠像人一樣具有學習分析能力，并具有一定的自學能力和推理能力，最終達到識別文字、圖像等數據的目的[15]。MRI 深度學習圖像重建法主要是學習欠采樣K 空間到完整K 空間的映射，即學習有偽影圖像到無偽影圖像的再現，這需要大量的高質量磁共振圖像來作為訓練樣本，以提取圖像中的特征參數來進行調整和學習[16]。訓練過程中，將全采樣的高質量、無偽影數據與欠采樣的有偽影、質量較差數據進行對比，將對比差異反饋給MRI 深度學習圖像重建法供其修正，多次重復該過程后，MRI 深度學習圖像重建法將學會如何將低質量的數據轉換為高質量圖像。該重建法不僅能夠保持圖像的細節和精細結構的顯示不受影響，還能與其他重建算法兼容，進一步提高圖像的重建效率[17]。

2 MRI深度學習圖像重建法的臨床應用

通過大量的體模研究并取得良好的效果以后，研究人員開始將MRI 深度學習圖像重建法應用于臨床實踐中，由于人體結構相對仿真體模更加復雜，臨床需求也各不相同，MRI 深度學習圖像重建法在臨床應用中還面臨巨大的挑戰[18-20]。但通過大量的臨床實踐，MRI 深度學習圖像重建法已初步應用于人體不同部位成像，并取得了一定的效果。

2.1 MRI深度學習圖像重建法在頭顱各結構成像的應用

Kidoh 等[21]對體模及15 例健康志愿者顱腦分別采用常規圖像重建法與深度學習圖像重建法進行重建，掃描序列包括2D 快速自旋回波（Fast Spin Echo，FSE）T1WI、2D FSE T2WI、2D FSE FLAIR 以及3D 快速梯度回波，結果顯示在相位編碼數減少一半的情況下，深度學習圖像仍能媲美常規圖像，同樣的在激勵次數從5 減至2 的情況下，深度學習圖像的SNR 及精細結構的顯示仍優于常規圖像，說明深度學習圖像重建法不僅能夠有效去除顱腦圖像偽影，還能大量節約掃描時間，同時也間接減少了患者不適而引起的運動偽影。Rudie 等[22]對32 例行MR 顱腦平掃及增強掃描的患者分別采用常規重建法和深度學習重建法進行成像，成像序列包括3D T1WI、3D T2FLAIR 以及增強后3D T1WI，結果顯示在相位編碼數減少一半的情況下，深度學習圖像質量在SNR、透明隔信號值半高寬、偽影、診斷可信度等方面均優于常規圖像，且深度學習圖像成像時間整體減少了45%，說明深度學習重建法在3D 薄層圖像重建及增強掃描圖像重建中同樣具有優勢。

Kim 等[23]對65 例垂體瘤術后患者行垂體MR 檢查，采集1、3 mm 層厚的冠狀位和矢狀位常規T1WI 圖像，隨后采集1 mm 層厚的冠狀位和矢狀位深度學習T1WI 圖像，結果顯示深度學習圖像在SNR 和對比噪聲比方面都優于常規圖像，與“金標準”對比顯示，深度學習圖像的診斷符合率更高；同時，深度學習圖像發現了20 例患者有腫瘤殘留及14 例患者有海綿竇侵犯，而這些在常規圖像上出現漏診，說明深度學習圖像對頭顱精細結構的顯示更具有優勢，能夠有效避免漏診誤診。Naganawa 等[24]對9 例內淋巴水腫的患者行MR 檢查，采集常規及深度學習T1WI 和T2WI 圖像，結果顯示深度學習圖像的SNR 高于常規圖像的4 倍，且圖像具有更低的噪聲，但對于兩組患者的水腫程度分級無影響。以上研究表明對于頭顱其他精細結構的顯示，深度學習圖像重建法也具有優勢。

2.2 MRI深度學習圖像重建法在心血管及腹部成像的應用

由于生理運動的影響，心血管及腹部的MRI 易出現偽影，特別是對于心肺功能受損的患者及兒童患者，因此，在短時間內采集足夠重建出滿足診斷需求的數據以及能夠去除生理運動偽影的圖像重建法是提高圖像質量行之有效的方法[25]。

Ogawa 等[26]對45 例行“黑血” T2WI 心臟成像的患者分別采用深度學習重建法和常規重建法進行重建，結果顯示深度學習圖像隔膜及室間隔信號值均高于常規圖像，深度學習圖像心內膜邊緣銳利度及主觀評分也均優于常規圖像。Fuin 等[27]對18 例有心血管疾病患者的冠狀動脈分別采用深度學習重建法及常規重建法進行成像，結果顯示深度學習重建法在節約成像時間的同時，圖像質量還優于常規圖像。Küstner 等[28]對20 例健康志愿者和15 例心血管疾病的患者通過深度學習3D 心臟電影成像進行心功能評估，結果顯示深度學習重建法能夠在＜10 s 的掃描和5 s 的重建時間內實現單次屏氣各向同性3D 心臟電影成像，大量節約了成像時間，且其圖像質量和心功能評估效果均可媲美常規成像方法。因此，深度學習圖像重建法不論在心臟精細的解剖結構的顯示還是心功能的評估方面都有獨到的優勢。

徐旭等[29]對60 例行上腹部MR 檢查患者的T1WI、T2WI 及雙梯度序列在呼吸門控條件下采集原始數據，并分別采用常規方法和深度學習重建法進行圖像重建，結果顯示深度學習圖像不論在圖像峰值SNR 和圖像銳利度還是在圖像噪聲、清晰度、對比度、總體圖像質量等方面均優于常規圖像。Almansour 等[30]對32 例行腹部MR 檢查的患者采用屏氣Dixon 序列采集T1WI 高分辨薄層圖像原始數據（包括增強掃描前、動態增強和增強后），并分別采用常規重建法和深度學習圖像重建法進行重建，結果顯示深度學習圖像重建時間減少13.6%，在圖像銳利度方面深度學習圖像具有優勢，且深度學習圖像病灶的顯示能力更清晰。因此，深度學習重建法不僅能夠節約腹部圖像的重建時間，還能夠減少圖像偽影，提高圖像銳利度，同時也能提高圖像對病灶的顯示能力。

2.3 MRI深度學習圖像重建法在骨肌系統成像的應用

MR 能進行多參數成像，且生成的圖像具有高分辨力、高對比度，目前已是骨肌系統病變的重要檢查手段，但MR 成像時間過長及對金屬植入物敏感，限制了其在骨肌系統的應用，因此縮短成像時間、去除金屬以及運動偽影不僅能夠改善圖像質量還能夠提高成像效率[31]。

Herrmann 等[32]對60 例健康志愿者的手、踝關節、肩關節、膝關節、髖關節以及腰椎分別進行常規重建法和深度學習重建法行MR 成像（包括矢、冠、軸T1TSE以及PD/T2TSE FS），結果顯示在成像時間減少75%的情況下，兩組圖像質量并沒有差異。Wessling 等[33]對23 例患有四肢腫瘤的患者采用常規重建法和深度學習重建法行MR 成像（冠位T2TSE 和TIR FS），結果顯示在重建時間減少52%的情況下，深度學習圖像在噪聲、對比度、銳利度等方面均優于常規圖像，且深度學習圖像對腫瘤的形態、紋理、侵犯程度以及范圍顯示得更清晰。Kwon 等[34]對帶有金屬的體模研究發現，深度學習重建法能夠減少金屬偽影，提高圖像質量。綜上所述，深度學習圖像重建法能夠減少成像時間，同時保證圖像質量不受影響，并在一定程度上提高病灶的顯示能力。

2.4 MRI深度學習圖像重建法在外周神經成像的應用

由于周圍神經體積較小，一些神經的最大口徑也不超過1～2 mm，并且需要評估神經外膜和神經內束結構，磁共振外周神經成像一直受到限制[35]。因此，周圍神經高空間分辨率成像就顯得尤為重要，目前3.0 T MR 掃描儀能達到約0.3 mm 的掃描層厚，然而在實際的臨床應用中如何在成像時間和SNR 之間找到平衡仍面臨挑戰。Zochowski 等[36]對29 例患者的60 處外周神經分別采用常規方法和深度學習重建法進行成像（包括坐骨神經、脛神經、正中神經、尺神經），結果顯示，深度學習圖像在神經外膜及神經分支的顯示優于常規圖像，但深度學習圖像上出現了重影及脈動偽影，但通過對整體圖像質量主觀分析，對圖像質量影響不大，說明深度學習圖像重建法能夠改善周圍神經的顯示情況，但還需要進一步探索。

3 總結與展望

深度學習重建法給MRI 帶來了新的機遇。深度學習可以直接使用不同的網絡結構和傳遞學習技術，在去除圖像噪聲和偽影方面更具有優勢。K 空間深度學習能夠更好地保存高頻信息，即細節和精細結構，這與經典的K 空間重建方法有著密切的聯系，而從K 空間到圖像轉換的深度學習可以在去除噪聲和偽影與保留細節之間取得更好的平衡。對于MRI 的工作流程也值得去思考，當前的MRI 工作流程通常是從數據采集到圖像重建，然后再到圖像分析和診斷，而該流程可能會隨著人工智能的發展而變化，例如，在深度學習重建過程中實現對圖像的分割與特征參數的提取。相信隨著類似研究工作的不斷深入，人工智能不僅能實現從K 空間到分割，還能從K 空間再到分類、檢測甚至給出診斷結果。

雖然深度學習重建法在不同部位MR 檢查都取得了一定的成果，但評價某種算法的性能是否優越還需通過長期的觀察測定，并對其整體穩定性進行評估，因此本文認為深度學習重建法在MRI 中的應用還處于初級階段，仍有許多方面需要進一步完善：① 雖然深度學習圖像在SNR 和噪聲等方面性能有所提高，但對特定疾病的檢出效果是否更有優勢還需長期驗證；② 深度學習模型眾多，在百花齊放的同時也會出現良莠不齊的現象，如何在眾多的模型中選擇最優解也是臨床面對的難題；③ 深度學習是大量數據的處理運算過程，目前認為數據量還相對較少，但最優的數據量目前尚沒有定論，數據量過少可能會由于訓練不足導致漏診或者誤診，數據量過大又會造成資源的浪費，因此還需要大量的工作以完善此情況；④ 深度學習重建法只在少數醫療機構中得以應用，未實現普及，限制了其進一步發展的空間；⑤ 深度學習不同于常規的推理與記憶，常無法了解和掌控“他”的學習歷程及效果，若出現訓練偏差，就可能造成圖像某些解剖結構或病灶的消失，還有可能出現并不存在的偽結構，這也需要長期的驗證。

深度學習重建法雖然在一定程度上降低了人體不同部位MRI 的成像時間，并提高了圖像質量，但其成像時間仍較長，尚未達到理想的效果，圖像質量也還有較大的提升空間。目前該算法的訓練數據量還不夠，對于目前眾多的深度學習模型還需要進一步篩選和優化，在兒童方面的應用還未見報道。但相信在人工智能大背景下，會有更多的科技工作者開始關注深度學習重建法的應用，且隨著資源更多的投入，能夠進一步引入臨床實踐，使之成為輔助臨床診斷、分析的重要工具。