《Diagnostic and Interventional Imaging》：Deep learning-based image reconstruction significantly improves image quality of MRI examinations of the orbit at 3 Tesla
编辑推荐：
本研究评估3T特斯拉场下深度学习图像重建（DLBIR）对眼眶MRI图像质量的影响。通过比较70例T2加权图像和25例增强T1加权图像的SNR、CNR及视觉质量评分，发现DLBIR显著提升T2图像的SNR（26.67±9.03 vs 18.91±7.28）和CNR（14.87±10.31 vs 9.78±8.47），并提高图像清晰度和整体质量（P<0.001），但对增强T1图像效果不显著。结论DLBIR有效改善眼眶MRI图像质量而不影响临床诊断信息。
Aurore Sajust de Bergues de Escalup | Augustin Lecler | émilie Poirion | Caroline Papeix | Romain Deschamps | Dan Milea | Julien Savatovsky | Lo?c Duron | Emma O’Shaughnessy
法国巴黎75019，Adolphe de Rothschild基金会医院神经放射科
摘要
目的
本研究的目的是评估基于深度学习的图像重建（DLBIR）在3特斯拉（T）的眶磁共振成像（MRI）中提高图像质量的效果。
材料与方法
研究纳入了71名患者（48名女性和23名男性），平均年龄为52 ± 19.5岁（标准差[SD]），他们在2024年1月至6月期间接受了3T下的眶部MRI检查。其中70名患者的冠状T2加权MR图像和25名患者的增强后脂肪饱和（FS）冠状T1加权MR图像分别使用DLBIR和未使用DLBIR进行了重建，得到了四组成像数据。两名放射科医生独立且盲法地测量了这四组图像中视神经的信噪比（SNR）和对比度噪声比（CNR）。图像质量和眶部异常情况通过标准化的5点Likert量表进行评估。使用Wilcoxon检验比较了使用DLBIR和未使用DLBIR获得的MR图像在有序变量和定量变量上的差异，以及使用McNemar检验比较了配对二元数据上的差异。
结果
使用DLBIR处理的冠状T2加权MR图像的信噪比（SNR）和对比度噪声比（CNR）显著高于未使用DLBIR处理的图像（分别为26.67 ± 9.03 [SD]和14.87 ± 10.31 [SD]，对比未使用DLBIR处理的图像分别为18.91 ± 7.28 [SD]和9.78 ± 8.47 [SD]，P < 0.001）。使用DLBIR处理的增强后FS T1加权图像与未使用DLBIR处理的图像在信噪比和对比度噪声比上没有显著差异（分别为85.56 ± 63.13 [SD]和64 ± 41.38 [SD]，对比91.36 ± 48.49 [SD]和43.25 ± 20.4 [SD]，P = 0.35和P = 0.14）。从质量上看，使用DLBIR处理的图像在视神经清晰度（分别为67% vs 16%和8% vs 0%）、脑部清晰度（分别为90% vs 6%和68% vs 4%）以及整体图像质量（分别为73% vs 1%和36% vs 0%）方面表现更好（所有P ≤ 0.001）。在使用DLBIR和未使用DLBIR处理的MR图像中，眶部异常的检出率没有显著差异，包括视神经高信号（分别为34% vs 31%，P = 0.16）和视神经萎缩（两者均为33%），以及增强后FS T1加权图像中的视神经增强（两者均为16%）。
结论
DLBIR显著提高了3T下眶部MRI检查的图像质量，且未丢失临床相关的信息。
引言
磁共振成像（MRI）在评估各种眶部疾病中至关重要。然而，它面临多种技术挑战，如运动伪影和磁化率伪影[1]。噪声会降低组织对比度并掩盖小解剖结构，这是影响眶部结构可视化的主因[2]。噪声还会降低信噪比（SNR），从而阻碍对视神经等小结构的观察，并使细微病变更难检测[3]。尽管最近的研究表明使用不同的成像技术和序列可以改善视神经病变的检测[4],[5],[6],[7],[8],[9]，但由于图像噪声的问题，该区域的分析仍然具有挑战性[3]。
基于深度学习的图像重建（DLBIR）技术的最新进展显示出减少噪声、提高图像质量和缩短采集时间的潜力。这些技术已成功应用于包括大脑在内的多个器官[10],[11],[12]，并提高了SNR、空间分辨率和整体诊断质量[10]。
在MRI厂商中，已经开发出多种用于图像去噪的DLBIR算法。这些算法通常针对受噪声影响最大的高频成分进行训练。通过选择性地减少噪声同时保留解剖信号，它们提高了SNR并增强了图像的清晰度，尤其是在需要更高空间分辨率或加速采集的情况下[13,14]。
虽然DLBIR已在脑部和一般神经影像学应用中得到评估，但其在中枢神经系统MRI中的性能尚未进行系统研究。由于眶部解剖结构复杂且对运动和噪声的敏感性高，因此存在独特的诊断挑战。改进该区域的图像重建可以提高视神经和眶部细微病变的检测率，增强诊断信心，并便于临床决策。
本研究的目的是评估DLBIR对3特斯拉（T）下获得的眶部MR图像质量的影响。
患者信息
这项回顾性、单中心研究在Adolphe de Rothschild基金会医院进行，该医院是专门从事神经眼科疾病治疗的三级护理中心。研究获得了机构审查委员会（IRB 00012801，CE_20250325_9_ALR）的批准。IRB豁免了签署知情同意书的要求。本研究遵循了诊断准确性研究报告标准（STARD）指南[15]。
2024年1月至6月期间，所有参与研究的
人口统计和MRI数据
研究共纳入71名患者，其中48名为女性，23名为男性，平均年龄为52 ± 19.5岁（标准差[SD]，年龄范围为7–90岁）。除一名患者外，所有患者均接受了冠状T2加权图像的DLBIR处理，25名患者接受了增强后FS冠状T1加权图像的DLBIR处理。最终分析了95组图像数据，包括70组冠状T2加权图像和25组增强后FS冠状T1加权图像。临床指征详见表2。
讨论
本研究发现，DLBIR显著提高了3T下获得的眶部MRI检查的定量和定性图像质量。具体而言，它提高了冠状T2加权MR图像的SNR和CNR，并改善了冠状T2加权及增强后FS冠状T1加权MR图像的定性评分。重要的是，在我们的研究中，所有临床相关的发现，包括视神经异常和眶部病变，无论是否使用DLBIR处理，都能被一致地识别出来。
人权
作者声明，本研究符合2013年修订的世界医学协会《赫尔辛基宣言》中关于涉及人类实验的规定。研究获得了机构审查委员会（IRB批准号00012801，CE_20250325_9_ALR）的批准。
知情同意和患者信息
作者声明，本报告中不包含可能导致患者身份识别的任何个人信息。
资金来源
本研究未获得公共部门、商业部门或非营利部门的任何特定资助。
CRediT作者贡献声明
Aurore Sajust de Bergues de Escalup：概念构思、数据管理、数据分析、验证、初稿撰写。Augustin Lecler：概念构思、数据管理、数据分析、验证、方法学指导、初稿撰写及审稿编辑。émilie Poirion：数据管理、研究实施、数据分析、撰写及审稿编辑。Caroline Papeix：数据管理、研究实施、数据分析、撰写及审稿编辑。Romain Deschamps：数据分析
