编辑推荐：
临床 MRI 伪影会影响 AI 模型性能。本研究评估不同数据增强策略对 AI 模型在可变伪影严重程度下分割性能的影响。基于 nnU-Net 的 AI 模型经三种策略训练，结果显示通用增强有效提升鲁棒性，MRI 特异性增强获益有限，为 AI 临床应用提供参考。
在医学影像领域，磁共振成像（MRI）凭借出色的软组织对比度和无电离辐射等优势，成为临床诊断的重要工具。然而，MRI 过程中患者的不自主运动极易产生运动伪影，表现为图像模糊、重影或条纹状干扰，不仅严重影响医生对图像的判读，导致约 20% 的 MRI 检查因伪影问题需要重新扫描，增加患者不适和医疗成本，还会显著降低诊断 AI 模型的性能。目前，尽管有前瞻性运动校正技术如 PROPELLER、BLADE 等，但在某些情况下伪影仍无法避免，而通过数据增强技术提升 AI 模型对伪影的鲁棒性这一方向却尚未得到充分探索。
为解决这一问题，德国亚琛大学医院（University Hospital Aachen）的研究人员开展了一项关于数据增强策略减轻 MRI 运动伪影对 AI 模型影响的研究。该研究成果发表在《European Radiology》上，旨在明确不同数据增强策略对 AI 模型在不同伪影严重程度下分割和量化下肢对齐性能的影响，验证 domain-specific 数据增强能否稳定模型性能。
研究人员主要采用了以下关键技术方法：基于 nnU-Net 架构构建 AI 模型，用于自动量化下肢对齐；设计三种数据增强策略训练模型，分别为无增强（“baseline”）、标准 nnU-Net 增强（“default”）以及 “default” 加模拟 MRI 伪影的增强（“MRI-specific”）；使用 3.0-T MRI 扫描仪获取 20 名健康参与者的下肢 MRI 图像，通过标准化运动诱导不同程度的伪影，由两名放射科医生对伪影严重程度进行分级并手动测量扭转角；采用 Dice 相似系数（DSC）评估分割质量，通过平均绝对偏差（MAD）、组内相关系数（ICC）和皮尔逊相关系数（r）比较自动与手动测量的扭转角差异，并运用线性混合效应模型等进行统计分析。
研究结果
伪影严重程度与增强策略对分割质量的影响
随着伪影严重程度增加，分割质量显著下降，但 default 和 MRI-specific 增强可部分缓解这一趋势。例如，在严重伪影下，股骨近端的 DSC 值从 baseline 的 0.58±0.22 提升至 default 的 0.72±0.22 和 MRI-specific 的 0.79±0.14（p<0.001）。此外，近端股骨的分割质量显著高于其他解剖区域，这可能与 DSC 对分割体积大小的敏感性有关。
扭转角测量的准确性
手动测量显示两名放射科医生间的 ICC 为 0.94，表明具有良好的可靠性。自动测量中，default 和 MRI-specific 增强在股骨扭转测量中成功率高，而 baseline 模型在胫骨扭转测量中成功率较低，尤其在中重度伪影情况下。在准确性方面，baseline 模型测量的扭转角显著高于手动测量和其他增强策略，而 default 和 MRI-specific 增强的测量结果与手动测量更为接近。例如，严重伪影下股骨扭转的 MAD 值从 baseline 的 20.6±23.5° 降至 MRI-specific 的 5.7±9.5°（p<0.001），ICC 从 baseline 的 - 0.10 提升至 MRI-specific 的 0.86（p<0.001），r 从 0.58 提升至 0.86（p<0.001）。
增强策略的效果比较
MRI-specific 增强在严重伪影下对近端股骨和远端胫骨的分割质量有轻微提升，但未达显著水平。整体而言，default 增强已能有效提升模型鲁棒性，MRI-specific 增强仅带来边际效益。
研究结论与讨论
本研究表明，运动伪影会对诊断 AI 模型的分割准确性和扭转角量化产生负面影响，但通用的数据增强策略（如 nnU-Net 默认增强）能显著增强模型的鲁棒性，有效减轻伪影的不利影响。尽管 MRI-specific 增强在部分情况下表现出一定优势，但与 default 增强相比差异并不显著。这提示在大多数应用场景中，使用 default 增强策略即可使模型获得较强的抗伪影能力，而 domain-specific 增强可作为补充手段，在需要应对特殊数据挑战或具备专业知识时采用。
该研究为 AI 模型在临床 MRI 中的应用提供了重要参考，有助于推动诊断 AI 模型在真实世界中的稳健部署，减少因伪影导致的误诊和重复扫描，提升医疗效率和患者体验。同时，研究也指出了未来研究方向，如进一步优化数据增强技术以更真实模拟临床伪影，以及在多中心数据集上验证模型的泛化能力等。
