编辑推荐：
乳腺癌诊疗中，磁共振成像（MRI）意义重大，酰胺质子转移（APT）技术可量化蛋白质代谢，但扫描时间长限制其临床应用。研究人员开发深度学习模型，从稀疏频移重建密集频移，能减少 25% 扫描时间，为 APT 成像参数设置提供指导。
在医学影像的领域中，乳腺癌如同隐藏在女性健康背后的 “杀手”，时刻威胁着女性的生命安全。据统计，乳腺癌在所有女性癌症中占比约四分之一，且死亡率居高不下。早期发现并精准诊断乳腺癌，对于提高患者生存率起着决定性作用。而磁共振成像（Magnetic Resonance Imaging，MRI）凭借出色的软组织对比度和多参数结构功能信息，成为乳腺癌筛查与诊断的重要工具。
其中，酰胺质子转移（Amide Proton Transfer，APT）成像作为一种特殊的化学交换饱和转移（Chemical Exchange Saturation Transfer，CEST）MRI 技术，有着独特的 “本领”。它能够无创地揭示组织中蛋白质的代谢情况，在肿瘤分级、区分肿瘤与水肿、鉴别肿瘤进展和放射性坏死进展等方面表现出巨大潜力。然而，这个技术存在一个明显的 “短板”：为了准确拟合 z - 光谱（量化 APT 效应必不可少的曲线），需要采集一系列密集频率偏移的图像，这导致扫描时间过长，使得它在临床大规模应用时困难重重。
为了攻克这一难题，中国医学科学院肿瘤医院深圳医院的研究人员展开了深入研究。他们致力于开发一种基于深度学习的模型，期望实现从稀疏频率偏移图像重建密集频率偏移图像，从而缩短扫描时间，推动 APT 技术在临床上的广泛应用。最终，他们取得了令人瞩目的成果：该模型在肿瘤区域实现了卓越的重建效果，峰值信噪比达到 45.8（95% 置信区间：[44.9, 46.7]），结构相似性指数为 0.989（95% 置信区间：[0.987, 0.993]），有效将扫描时间减少了 25%。这一研究成果发表在《Computerized Medical Imaging and Graphics》上，为乳腺癌的精准诊断和治疗带来了新的希望。
在研究方法上，研究人员主要运用了以下关键技术：首先，利用 GE Healthcare 的 3T MR 扫描仪和八通道相控阵乳腺线圈获取数据；其次，借助 PyTorch 框架搭建模型，并在 NVIDIA GeForce RTX A6000 上进行训练，采用 Adam 优化器，初始学习率设为 10?4 ，批量大小为 2；另外，考虑到数据稀缺问题，通过旋转、缩放、平移和裁剪等技术对数据进行增强。
下面来看具体的研究结果：
- 数据集方面：本研究经中国医学科学院肿瘤医院深圳医院伦理委员会批准，因回顾性研究设计，患者知情同意书豁免。数据由 GE Healthcare 的 3T MR 扫描仪和八通道相控阵乳腺线圈采集，采用化学转移选择性脂肪抑制和单次快速自旋回波技术获取图像。
- 实验细节：基于 PyTorch 框架实现模型，在 NVIDIA GeForce RTX A6000 上训练，Adam 优化器，初始学习率 10?4 ，批量大小 2，训练约 4 小时，60 轮迭代后损失降至 0.005，模型收敛。同时采用数据增强技术应对数据稀缺问题。
- 讨论：研究提出基于 seq2seq 的深度学习方法，通过 convLSTM（一种用于时空预测的递归神经网络，可利用图像间空间相关性和序列时间相关性确定特定像素未来状态）提取短程和长程空间及频率信息，利用频率偏移信息预处理模型输入。该模型能直接通过稀疏频率迁移重建 APT 序列，重建图像结构相似性高达 0.922（95% 置信区间：[0.919, 0.925]），肿瘤区域结构相似性达 0.989（95% 置信区间未完整给出，按前文推测应类似肿瘤区域高置信度区间 ）。
- 结论：APT 成像时间长阻碍其临床广泛应用，本研究提出的深度学习网络可从稀疏频移重建密集频移 APT 成像序列。通过整合卷积层和 convLSTM 层，充分利用不同频移 APT 图像的时空信息，并分析了不同频移选择方法的影响。
综合研究结论和讨论部分，这项研究意义非凡。它成功解决了 APT 成像扫描时间长的难题，为临床医生提供了更高效的诊断工具。通过减少扫描时间，不仅能提高患者的就医体验，还能让更多患者受益于 APT 技术的精准诊断。同时，研究中对不同频率偏移选择方法的分析，为 APT 成像的参数设置提供了重要参考，有助于优化成像过程，进一步提高诊断准确性。这一成果有望推动 APT 技术在临床乳腺癌诊疗中的广泛应用，为乳腺癌患者的早期发现和精准治疗带来新的曙光，在医学影像领域具有重要的理论和实践价值。
