深度学习重建技术使得3D T1加权MRI成像时间缩短至约1分钟：对加速效果与图像质量之间的权衡以及运动伪影减少方法的定量评估

《Neuroradiology》：Deep-learning reconstruction enables about one minute 3D T1-weighted MRI: quantitative evaluation of Acceleration-quality Trade-offs and motion reduction

深度学习重建技术（DL-Speed）显著缩短3D T1加权成像时间至1分钟内，同时保持图像质量（CAT12评分稳定）和形态学定量分析准确性（皮质厚度与灰质体积下降率与加速因子呈线性/非线性关系），建议6-11倍加速为合理范围。

　　

摘要

目的

基于深度学习的重建技术（如原型DL-Speed）已被开发出来用于加速3D T1加权成像，但其临床应用价值以及对定量分析的影响尚未经过系统验证。本研究的目的是评估基于深度学习的重建方法在显著加快图像采集速度的同时，是否不会影响图像的定量质量和形态测量结果的准确性。

方法

六名健康志愿者接受了3D MPRAGE扫描，扫描时的加速倍数范围从2到16不等。图像质量通过CAT12图像质量评分（IQR）进行评估，形态测量则使用CAT12测量全局皮质厚度和总灰质（GM）体积。在40名患者的临床队列中，将加速11倍的DL-Speed（耗时1分10秒）与传统成像方法（耗时4分59秒）进行了比较。头部运动通过体积导航器测量的总矢量变化（TVC）来量化。

结果

在健康志愿者中，所有加速水平下的图像质量均保持在CAT12 A等级范围内；IQR呈二次方趋势（R2 = 0.98）。全局皮质厚度随加速倍数增加而近似线性减少（例如，DLS2到DLS11时减少0.068毫米[?2.8%]；DLS2到DLS16时减少0.140毫米[?5.7%]）。总灰质体积呈现轻微的单调下降趋势（组平均值：DLS2时为748.8毫升，DLS11时为729.5毫升[?2.6%]，DLS16时为726.3毫升[?3.0%]）。在临床队列中，DL-Speed显著减少了头部运动（TVC：52.3±9.4毫米 vs. 140.4±32.8毫米，p < 0.001），同时保持了可接受的图像质量（IQR：93.9±1.0% vs. 94.8±1.2%，p < 0.001）。Bland–Altman分析显示一致性范围较窄（?2.49%至+0.75%）。关于皮质厚度和灰质体积，我们发现传统图像与DL-Speed的结果之间存在显著相关性（厚度 r = 0.97；灰质 r = 0.99；两者 p < 0.001）。

结论

DL-Speed能够实现大约一分钟的3D T1加权成像，显著减少了运动伪影，同时保持了适合形态测量的图像质量。由于图像质量（IQR）与非线性（二次方）关系相关，而皮质厚度和灰质体积几乎呈线性下降，因此数据支持实际操作范围（例如6至11倍加速）而非单一最佳加速倍数。

试验注册

不适用。