基于神经网络的儿科脑部磁共振合成图像质量评估：AI-DCS技术的突破性进展

为解决传统合成MRI(SyMRI)图像质量欠佳的问题，研究人员采用人工智能直接对比合成技术(AI-DCS)，通过训练神经网络生成T1W/T2W/FLAIR多对比加权图像。研究证实AI-DCS在50例儿科患者中显著提升信噪比(aSNR)和灰白质对比噪声比(aCNR)，图像质量优化率达93.8%以上，为儿科神经影像诊断提供了更高效精准的新方案。

　　

在儿科神经影像领域，传统磁共振成像(MRI)需要多次扫描获取T1加权(T1W)、T2加权(T2W)和液体衰减反转恢复(FLAIR)图像，不仅耗时较长，对儿童患者的配合度要求也较高。合成MRI(SyMRI)技术虽能通过单次扫描生成多对比图像，但因物理信号模型的局限性，图像质量常出现噪声伪影、灰白质对比度不足等问题，制约了其临床普及。

为解决这一难题，辛辛那提儿童医院医学中心的研究团队创新性地采用人工智能直接对比合成(AI-DCS)技术。这项发表于《Magnetic Resonance Imaging》的研究，通过训练深度神经网络，实现了从2D多延迟多回波(MDME)序列直接合成T1W/T2W/FLAIR图像。研究纳入50例儿科患者，其中35例用于模型训练，最终8例完成图像评估。关键技术包括：采用前瞻性队列设计，基于临床标准(SOC)图像训练神经网络；定量分析灰质(GM)/白质(WM)表观信噪比(aSNR)和灰白质对比噪声比(aCNR)；采用双盲评估比较AI-DCS与SyMRI的图像质量差异。

研究结果部分显示：

1. 图像质量评估：T1W AI-DCS在100%评估中优于SyMRI，T2W和FLAIR分别在93.8%和100%评估中表现更佳，尤其在降低噪声伪影方面优势显著。
2. 定量分析：AI-DCS生成的T1W/T2W/FLAIR图像白质aSNR均显著高于SyMRI(p<0.05)，其中FLAIR的灰白质aCNR提升最为明显。
3. 病理检出：在4例存在基底节区血管周围间隙扩大等病变的患者中，AI-DCS与SOC图像具有等效的病变显示能力。

讨论部分指出，AI-DCS通过端到端的深度学习框架，规避了SyMRI物理模型的理论局限，其优势主要体现在三方面：一是单次扫描即可生成诊断级多对比图像，将传统30分钟检查缩短至5分钟；二是定量参数如脑实质体积测量可实现自动化；三是在运动伪影敏感的儿科人群中表现稳定。值得注意的是，研究者坦承两名作者来自技术供应商飞利浦公司，但数据采集与分析保持独立。

该研究的突破性在于首次系统验证了AI-DCS在儿科神经影像的适用性。结论强调，相较于SyMRI，AI-DCS不仅能保持标准检查的诊断信心，还能提升图像质量一致性，为缩短儿童MRI检查时间、减少镇静剂使用提供了技术支撑。未来研究需扩大样本量验证其在癫痫、脑肿瘤等特定疾病中的应用价值。文末致谢部分特别提到临床研究协调员Jennifer Regan在数据标准化传输中的贡献，体现了多学科团队协作的重要性。