基于卷积神经网络的虚拟T2加权脂肪抑制乳腺MRI图像生成技术：缩短检查时间的可行性研究

本研究针对乳腺MRI中T2加权脂肪抑制(T2w-FS)序列扫描时间长的问题，通过2D-U-Net神经网络从常规多参数乳腺MRI图像生成虚拟T2w-FS(VirtuT2w)图像。结果显示，使用全动态对比增强(FBP)协议输入时定量指标最优，但存在图像模糊问题。该技术有望减少20%的检查时间，为乳腺筛查提供新思路。

　　

乳腺磁共振成像(MRI)作为乳腺癌筛查和诊断的重要工具，其多参数协议通常包含T1加权(T1w)、T2加权脂肪抑制(T2w-FS)、扩散加权成像(DWI)和动态对比增强(DCE)序列。其中T2w-FS序列对组织特征识别至关重要，但该序列扫描时间可占整个检查时间的20%，显著影响检查效率。随着乳腺MRI在筛查项目中的推广需求增加，如何优化检查流程成为亟待解决的问题。

德国埃尔朗根-纽伦堡大学医院放射研究所的Andrzej Liebert团队在《European Radiology Experimental》发表研究，探索利用深度学习技术生成虚拟T2w-FS图像的可行性。研究人员假设，通过卷积神经网络(CNN)从现有乳腺MRI序列中合成T2w-FS图像，可在保证诊断质量的同时显著缩短检查时间。

研究采用回顾性设计，收集2017-2020年间914例乳腺MRI检查数据，随机分为训练集(665例)、验证集(74例)和测试集(175例)。关键技术方法包括：1) 使用2D-U-Net架构，输入包含T1w Dixon、DWI(b=50/750 s/mm²)和DCE序列；2) 评估四种临床常用协议(UEP、ABCE、ABCE+UEP和FBP)的生成效果；3) 采用结构相似性指数(SSIM)和高频误差范数(HFEN)等定量指标评估；4) 由两名经验丰富的放射科医师进行盲法阅片，评估诊断图像质量(DIQ)和水肿识别能力。

研究结果显示：
定量评估
FBP协议生成的VirtuT2w图像在SSIM(0.8776)、峰值信噪比(PSNR 24.51 dB)和HFEN(87.19)等指标上表现最佳。高频误差范数显示VirtuT2w图像存在明显模糊(HFEN=0.87)，这与定性评估结果一致。图像生成中位时间为31秒，显著短于常规T2w-FS序列采集时间。

定性评估
两位放射科医师能准确识别96-97%的VirtuT2w图像。诊断图像质量评分显示，VirtuT2w图像显著低于真实T2w-FS图像(p≤0.015)，主要缺陷为图像模糊。在恶性肿块亚组中，VirtuT2w图像仅能识别53-58%的病灶周围水肿，与真实T2w-FS图像的中等一致性(k=0.44)表明其局限性。

讨论与结论
该研究首次证实2D-U-Net可从多参数乳腺MRI生成具有T2w-FS特征的虚拟图像，技术可行性得到验证。FBP协议因其包含完整的DCE和DWI信息而表现最优，但ABC+UEP协议在部分指标上与之相当，提示临床实践中可根据需求选择输入协议。

研究的核心价值在于：1) 理论上可减少20%的乳腺MRI检查时间，提升设备通量；2) 为优化乳腺癌筛查流程提供新思路；3) 高频误差范数被证明是评估虚拟图像质量的有效指标。然而，当前技术仍存在明显局限：图像模糊影响细微结构显示，可能漏诊部分水肿征象。作者建议未来研究应探索注意力机制等先进架构，并在更大数据集上验证。

这项来自德国团队的研究为乳腺MRI检查流程优化开辟了新途径。虽然目前生成的VirtuT2w图像尚未达到临床直接应用标准，但其展现的技术路线为医学影像人工智能应用提供了重要参考。随着算法改进和数据积累，这种"虚拟序列"技术有望成为提升医疗效率的新突破口。