深度学习重建法在MRI重建中的应用进展

周楠，花立春，刘杰，边传振

南京医科大学附属儿童医院 放射科，江苏 南京 210008

引言

近年来，随着MRI 技术的飞速发展，其高分辨率、多对比度、多参数成像等优点越发凸显，且无电离辐射等缺点，现已成为一种不可或缺的临床检查方法，为多种疾病的临床诊断、治疗以及愈后复查提供了依据[1-3]。但MRI 成像时间较长，不仅会给患者带来不适而造成运动伪影，还会增加器官非自主运动概率，如吞咽、呼吸以及心跳等，也会造成图像模糊和对比度失真，从而影响其进一步应用[4-6]。

纵观MRI 的发展历程，无论是在硬件方面的提升还是在软件方面的改进，通常围绕着减少成像时间与提高影像质量两个方面，其中图像重建算法与其息息相关[7]，目前，MRI 重建法主要有4 种：部分傅里叶重建法、并行成像重建法、压缩感知重建法以及新兴的基于深度学习的重建法。部分傅里叶重建法利用K 空间的共轭对称特性，仅填充K 空间50%以上的数据，再利用共轭对称、Homodyne、零填充等算法对未采集的K空间数据进行补充，从而缩短数据采集时间，是最早的基于K 空间的MRI 重建法，但目前该重建法成像效果不甚理想，图像伪影比较严重，图像整体质量一般，且重建时间较长，已很少用于临床[8]。并行成像重建法是当前MRI 应用最广泛的重建方法，其代表算法主要有灵敏度编码重建法、一般性自动校准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间位置上相控阵线圈灵敏度的差异性来进行空间编码，从而减少K 空间数据采集的时间。因此，并行成像重建法能够消除K 空间中的相位编码数据采样不足而导致的混叠伪影，但因其减少了相位编码采集数据，也会导致重建图像的信噪比（Signal to Noise Ratio，SNR）降低，且当并行采集因子过大时还会导致所得图像出现一系列伪影[9]。压缩感知重建法以远低于奈奎斯特采样定律的采样频率对K 空间进行随机欠采样，利用MRI 图像在变换域中的稀疏性，通过非线性重建算法消除图像中的非相干伪影，恢复欠采样的K 空间数据从而得到重建图像。压缩感知重建法可以大幅减少傅里叶变换域中的采样数据，从而节约扫描时间，但在加速因子较大时图像也可能会出现伪影，且压缩感知重建过程计算量大而复杂。因此，对计算机硬件要求较高，压缩感知重建法还需要对正则化参数进行微调，均对其重建速度产生影响[10]。Wang 等[11]于2016 年首次提出深度学习MRI 重建法，该重建法不需要人为的手动调参，在保证优质图像质量的同时还可以大量缩短扫描时间和重建时间，具有非常高的临床使用价值。目前，深度学习MRI 重建法已广泛应用于人体不同部位成像。本文旨在总结MRI 深度学习图像重建法在不同部位的临床应用进展，以期为后续MRI 深度学习图像重建法的临床应用提供理论依据。

1 MRI深度学习图像重建算法概述

随着计算机精密算法的飞速发展，人工智能开始频繁应用于医学影像领域[12]。机器学习是人工智能的一个分支，能够在经验学习中改善算法本身的性能。传统的机器学习主要是探索模拟人的学习机制，以解决具体的问题，但在大样本训练时性能欠佳，还易发生欠拟合现象，对非线性问题处理能力有限，特别是在处理图像任务时仍面临挑战[13]。深度学习是人工智能的新方向[14]，主要是学习样本数据的内在规律和表示层次，其在学习过程中获得的信息对诸如图像和声音等数据的解释有较大的帮助。深度学习的目标是让机器能够像人一样具有学习分析能力，并具有一定的自学能力和推理能力，最终达到识别文字、图像等数据的目的[15]。MRI 深度学习图像重建法主要是学习欠采样K 空间到完整K 空间的映射，即学习有伪影图像到无伪影图像的再现，这需要大量的高质量磁共振图像来作为训练样本，以提取图像中的特征参数来进行调整和学习[16]。训练过程中，将全采样的高质量、无伪影数据与欠采样的有伪影、质量较差数据进行对比，将对比差异反馈给MRI 深度学习图像重建法供其修正，多次重复该过程后，MRI 深度学习图像重建法将学会如何将低质量的数据转换为高质量图像。该重建法不仅能够保持图像的细节和精细结构的显示不受影响，还能与其他重建算法兼容，进一步提高图像的重建效率[17]。

2 MRI深度学习图像重建法的临床应用

通过大量的体模研究并取得良好的效果以后，研究人员开始将MRI 深度学习图像重建法应用于临床实践中，由于人体结构相对仿真体模更加复杂，临床需求也各不相同，MRI 深度学习图像重建法在临床应用中还面临巨大的挑战[18-20]。但通过大量的临床实践，MRI 深度学习图像重建法已初步应用于人体不同部位成像，并取得了一定的效果。

2.1 MRI深度学习图像重建法在头颅各结构成像的应用

Kidoh 等[21]对体模及15 例健康志愿者颅脑分别采用常规图像重建法与深度学习图像重建法进行重建，扫描序列包括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，结果显示在相位编码数减少一半的情况下，深度学习图像仍能媲美常规图像，同样的在激励次数从5 减至2 的情况下，深度学习图像的SNR 及精细结构的显示仍优于常规图像，说明深度学习图像重建法不仅能够有效去除颅脑图像伪影，还能大量节约扫描时间，同时也间接减少了患者不适而引起的运动伪影。Rudie 等[22]对32 例行MR 颅脑平扫及增强扫描的患者分别采用常规重建法和深度学习重建法进行成像，成像序列包括3D T1WI、3D T2FLAIR 以及增强后3D T1WI，结果显示在相位编码数减少一半的情况下，深度学习图像质量在SNR、透明隔信号值半高宽、伪影、诊断可信度等方面均优于常规图像，且深度学习图像成像时间整体减少了45%，说明深度学习重建法在3D 薄层图像重建及增强扫描图像重建中同样具有优势。

Kim 等[23]对65 例垂体瘤术后患者行垂体MR 检查，采集1、3 mm 层厚的冠状位和矢状位常规T1WI 图像，随后采集1 mm 层厚的冠状位和矢状位深度学习T1WI 图像，结果显示深度学习图像在SNR 和对比噪声比方面都优于常规图像，与“金标准”对比显示，深度学习图像的诊断符合率更高；同时，深度学习图像发现了20 例患者有肿瘤残留及14 例患者有海绵窦侵犯，而这些在常规图像上出现漏诊，说明深度学习图像对头颅精细结构的显示更具有优势，能够有效避免漏诊误诊。Naganawa 等[24]对9 例内淋巴水肿的患者行MR 检查，采集常规及深度学习T1WI 和T2WI 图像，结果显示深度学习图像的SNR 高于常规图像的4 倍，且图像具有更低的噪声，但对于两组患者的水肿程度分级无影响。以上研究表明对于头颅其他精细结构的显示，深度学习图像重建法也具有优势。

2.2 MRI深度学习图像重建法在心血管及腹部成像的应用

由于生理运动的影响，心血管及腹部的MRI 易出现伪影，特别是对于心肺功能受损的患者及儿童患者，因此，在短时间内采集足够重建出满足诊断需求的数据以及能够去除生理运动伪影的图像重建法是提高图像质量行之有效的方法[25]。

Ogawa 等[26]对45 例行“黑血” T2WI 心脏成像的患者分别采用深度学习重建法和常规重建法进行重建，结果显示深度学习图像隔膜及室间隔信号值均高于常规图像，深度学习图像心内膜边缘锐利度及主观评分也均优于常规图像。Fuin 等[27]对18 例有心血管疾病患者的冠状动脉分别采用深度学习重建法及常规重建法进行成像，结果显示深度学习重建法在节约成像时间的同时，图像质量还优于常规图像。Küstner 等[28]对20 例健康志愿者和15 例心血管疾病的患者通过深度学习3D 心脏电影成像进行心功能评估，结果显示深度学习重建法能够在＜10 s 的扫描和5 s 的重建时间内实现单次屏气各向同性3D 心脏电影成像，大量节约了成像时间，且其图像质量和心功能评估效果均可媲美常规成像方法。因此，深度学习图像重建法不论在心脏精细的解剖结构的显示还是心功能的评估方面都有独到的优势。

徐旭等[29]对60 例行上腹部MR 检查患者的T1WI、T2WI 及双梯度序列在呼吸门控条件下采集原始数据，并分别采用常规方法和深度学习重建法进行图像重建，结果显示深度学习图像不论在图像峰值SNR 和图像锐利度还是在图像噪声、清晰度、对比度、总体图像质量等方面均优于常规图像。Almansour 等[30]对32 例行腹部MR 检查的患者采用屏气Dixon 序列采集T1WI 高分辨薄层图像原始数据（包括增强扫描前、动态增强和增强后），并分别采用常规重建法和深度学习图像重建法进行重建，结果显示深度学习图像重建时间减少13.6%，在图像锐利度方面深度学习图像具有优势，且深度学习图像病灶的显示能力更清晰。因此，深度学习重建法不仅能够节约腹部图像的重建时间，还能够减少图像伪影，提高图像锐利度，同时也能提高图像对病灶的显示能力。

2.3 MRI深度学习图像重建法在骨肌系统成像的应用

MR 能进行多参数成像，且生成的图像具有高分辨力、高对比度，目前已是骨肌系统病变的重要检查手段，但MR 成像时间过长及对金属植入物敏感，限制了其在骨肌系统的应用，因此缩短成像时间、去除金属以及运动伪影不仅能够改善图像质量还能够提高成像效率[31]。

Herrmann 等[32]对60 例健康志愿者的手、踝关节、肩关节、膝关节、髋关节以及腰椎分别进行常规重建法和深度学习重建法行MR 成像（包括矢、冠、轴T1TSE以及PD/T2TSE FS），结果显示在成像时间减少75%的情况下，两组图像质量并没有差异。Wessling 等[33]对23 例患有四肢肿瘤的患者采用常规重建法和深度学习重建法行MR 成像（冠位T2TSE 和TIR FS），结果显示在重建时间减少52%的情况下，深度学习图像在噪声、对比度、锐利度等方面均优于常规图像，且深度学习图像对肿瘤的形态、纹理、侵犯程度以及范围显示得更清晰。Kwon 等[34]对带有金属的体模研究发现，深度学习重建法能够减少金属伪影，提高图像质量。综上所述，深度学习图像重建法能够减少成像时间，同时保证图像质量不受影响，并在一定程度上提高病灶的显示能力。

2.4 MRI深度学习图像重建法在外周神经成像的应用

由于周围神经体积较小，一些神经的最大口径也不超过1～2 mm，并且需要评估神经外膜和神经内束结构，磁共振外周神经成像一直受到限制[35]。因此，周围神经高空间分辨率成像就显得尤为重要，目前3.0 T MR 扫描仪能达到约0.3 mm 的扫描层厚，然而在实际的临床应用中如何在成像时间和SNR 之间找到平衡仍面临挑战。Zochowski 等[36]对29 例患者的60 处外周神经分别采用常规方法和深度学习重建法进行成像（包括坐骨神经、胫神经、正中神经、尺神经），结果显示，深度学习图像在神经外膜及神经分支的显示优于常规图像，但深度学习图像上出现了重影及脉动伪影，但通过对整体图像质量主观分析，对图像质量影响不大，说明深度学习图像重建法能够改善周围神经的显示情况，但还需要进一步探索。

3 总结与展望

深度学习重建法给MRI 带来了新的机遇。深度学习可以直接使用不同的网络结构和传递学习技术，在去除图像噪声和伪影方面更具有优势。K 空间深度学习能够更好地保存高频信息，即细节和精细结构，这与经典的K 空间重建方法有着密切的联系，而从K 空间到图像转换的深度学习可以在去除噪声和伪影与保留细节之间取得更好的平衡。对于MRI 的工作流程也值得去思考，当前的MRI 工作流程通常是从数据采集到图像重建，然后再到图像分析和诊断，而该流程可能会随着人工智能的发展而变化，例如，在深度学习重建过程中实现对图像的分割与特征参数的提取。相信随着类似研究工作的不断深入，人工智能不仅能实现从K 空间到分割，还能从K 空间再到分类、检测甚至给出诊断结果。

虽然深度学习重建法在不同部位MR 检查都取得了一定的成果，但评价某种算法的性能是否优越还需通过长期的观察测定，并对其整体稳定性进行评估，因此本文认为深度学习重建法在MRI 中的应用还处于初级阶段，仍有许多方面需要进一步完善：① 虽然深度学习图像在SNR 和噪声等方面性能有所提高，但对特定疾病的检出效果是否更有优势还需长期验证；② 深度学习模型众多，在百花齐放的同时也会出现良莠不齐的现象，如何在众多的模型中选择最优解也是临床面对的难题；③ 深度学习是大量数据的处理运算过程，目前认为数据量还相对较少，但最优的数据量目前尚没有定论，数据量过少可能会由于训练不足导致漏诊或者误诊，数据量过大又会造成资源的浪费，因此还需要大量的工作以完善此情况；④ 深度学习重建法只在少数医疗机构中得以应用，未实现普及，限制了其进一步发展的空间；⑤ 深度学习不同于常规的推理与记忆，常无法了解和掌控“他”的学习历程及效果，若出现训练偏差，就可能造成图像某些解剖结构或病灶的消失，还有可能出现并不存在的伪结构，这也需要长期的验证。

深度学习重建法虽然在一定程度上降低了人体不同部位MRI 的成像时间，并提高了图像质量，但其成像时间仍较长，尚未达到理想的效果，图像质量也还有较大的提升空间。目前该算法的训练数据量还不够，对于目前众多的深度学习模型还需要进一步筛选和优化，在儿童方面的应用还未见报道。但相信在人工智能大背景下，会有更多的科技工作者开始关注深度学习重建法的应用，且随着资源更多的投入，能够进一步引入临床实践，使之成为辅助临床诊断、分析的重要工具。