深度学习助力术中 MRI 重建：提升脑肿瘤手术影像质量的新突破

为解决术中磁共振成像（iMRI）扫描时间长、图像质量差等问题，研究人员开展基于深度学习（DL）的 iMRI 重建研究。结果显示，DL 重建在多数评估指标上优于传统压缩感知（CS）方法，但存在条状伪影等不足。该研究为 iMRI 技术改进提供方向1215。

　　在脑肿瘤手术中，精准的成像对于最大化安全切除肿瘤至关重要。术中磁共振成像（iMRI）能为外科医生提供实时更新的图像，有助于在不增加不良反应的情况下扩大肿瘤切除范围。然而，iMRI 却面临着诸多挑战。一方面，其成像条件不理想，手动放置的表面线圈阻碍了快速并行成像技术的应用，导致采集时间延长，而且远离线圈元件的区域图像更容易受到噪声干扰，图像质量大打折扣。另一方面，为解决扫描时间过长的问题，采用的压缩感知（CS）技术虽有一定效果，但会产生图像伪影、信噪比（SNR）差、分辨率低等问题，甚至可能导致无法识别可手术切除的肿瘤，影响诊断质量345。

为了突破这些困境，来自挪威奥斯陆大学医院计算放射学与人工智能（CRAI）研究小组等多个机构的研究人员开展了一项关于基于深度学习（DL）的术中 MRI 重建的研究。该研究成果发表在《European Radiology Experimental》上。

研究人员主要运用了以下关键技术方法：首先，采用 Philips Ingenia 3-T MRI 设备和两个接收表面线圈元件进行成像。其次，使用密集互连残差级联网络，在 fastMRI 神经数据集上进行训练，该数据集包含不同场强下的脑部 MRI 数据。最后，通过两位神经放射科医生和一位神经外科医生对图像质量进行盲法评估678。

研究结果如下：

1. 定性评估：通过对 40 例患者的成像数据进行分析，从成像伪影、感知空间分辨率、解剖结构清晰度、诊断信心、信噪比和对比度等多个指标进行评估。结果显示，除了三位读者中的两位在部分指标上的评估外，DL 重建和 CS 重建图像的得分在所有指标上均存在显著差异。在六个评估指标中，读者 1 和读者 2 的 DL 重建在除 “成像伪影” 外的所有指标上得分均显著高于 CS 重建；而读者 3 认为，除对比度和感知空间分辨率外，CS 重建在其他指标上的得分均显著高于 DL 重建910。
2. 总体评分：平均来看，读者 1、2、3 对 DL 重建的评分高于 CS 重建的比例分别为 72%、72% 和 14%；反之，CS 重建受青睐的比例分别为 8%、7% 和 37%。在病例偏好方面，读者 1、2、3 分别在 33/40、39/40 和 8/40 的病例中更倾向于 DL 重建，而 CS 重建受青睐的病例数分别为 1/40、1/40 和 18/401112。
3. 图像细节与伪影：DL 重建在切除区域显示出更高的细节水平，尤其在 T₂加权 FLAIR 图像中更为明显。不过，DL 重建也存在一些问题，如高噪声 / 颗粒状图像、接收线圈远处信号降低等伪影。经研究人员进一步检查，高噪声伪影可分为全脑噪声和特定切片高噪声两类1314。

研究结论与讨论部分指出，DL 在 iMRI 重建方面展现出了巨大的潜力，能够实现高质量的重建，神经放射科医生普遍认为 DL 重建在空间分辨率、信噪比、诊断信心等方面优于 CS 重建。然而，神经外科医生更倾向于 CS 重建，这主要是因为 iMRI 与传统 MRI 诊断不同，神经外科医生更关注肿瘤切除范围，而 DL 重建在远离肿瘤区域的低信噪比问题较为突出，同时二维重建的特性也导致了条状伪影的出现。尽管存在这些不足，但 DL 重建图像总体质量良好或可接受。未来的研究需要进一步聚焦于降低条状伪影、提高低强度区域的信号强度，以及验证 DL 重建对手术决策的实际影响。

这项研究意义重大，它为 iMRI 技术的发展提供了新的方向，证明了 DL 在 iMRI 重建中的可行性和优势，尽管目前还存在一些问题，但为后续的研究和技术改进奠定了坚实的基础，有望在未来进一步提高脑肿瘤手术的精准度和安全性15。