深度学习加速前列腺rs-EPI DWI：扫描时间减半、图像质量提升与体内验证

本研究针对前列腺rs-EPI DWI（读段分割平面回波扩散加权成像）扫描时间长的问题，采用深度学习超分辨率技术（MSSNet模型），成功将扫描时间缩短54.4%，同时保持与高分辨率图像（HRGT ）相当的图像质量（SSIM达0.9798）。研究通过前瞻性验证证实了ADC值差异<5%，为临床快速精准诊断前列腺癌提供了新方案。

　　

前列腺癌是男性最常见的恶性肿瘤之一，早期诊断对提高患者生存率至关重要。扩散加权成像（DWI）作为前列腺MRI的核心序列，能够通过检测水分子扩散受限区域来识别肿瘤。然而，传统的单次激发平面回波成像（ss-EPI）存在分辨率低、磁敏感伪影严重等问题。读段分割平面回波成像（rs-EPI）虽然能显著提升图像质量，但其较长的扫描时间（5分18秒）限制了临床广泛应用。如何在不牺牲诊断准确性的前提下缩短扫描时间，成为亟待解决的关键问题。

华中科技大学同济医学院附属同济医院的研究团队创新性地将深度学习超分辨率技术应用于前列腺rs-EPI DWI，开发了多尺度自相似网络（MSSNet）。该研究通过回顾性分析125例患者数据，并前瞻性采集8例患者的体内验证数据，证实MSSNet能将扫描时间从5分18秒缩短至2分25秒（减少54.4%），同时保持优异的图像质量（SSIM>0.95）。相关成果发表在《Magnetic Resonance Imaging》上，为临床提供了高效精准的前列腺成像方案。

研究采用三项关键技术：1）基于3T MRI的rs-EPI序列采集高分辨率（HR_GT
，矩阵176×124）和低分辨率（LR_VI
，矩阵88×64）图像；2）开发MSSNet模型，整合跨尺度特征融合单元（CFFU）和尺度内自相似模块（ISSM）；3）通过SSIM、PSNR和NRMSE定量评估图像质量，并分析ADC值相关性。

4.1 超分辨率模型质量评估
MSSNet在测试集中表现最优，b1000图像的SSIM达0.9798±0.0065，显著优于EDSR和SwinIR模型。所有模型重建图像的PSNR均>35dB（优秀范围），证实深度学习能有效恢复图像细节。

4.2 ADC值验证
Pearson分析显示ADC_DL
与ADC_GT
高度相关（R>0.99），差异<5%。小提琴图证实MSSNet重建的ADC分布与金标准高度一致，确保定量参数的可靠性。

4.3 信噪比提升
所有模型均显著提升SNR，其中MSSNet在闭孔内肌区域的b1000图像SNR达8.71±2.24，较金标准（4.90±0.67）提高78%，有助于改善病灶检出率。

4.4 体内验证
前瞻性试验显示MSSNet处理单幅图像仅需0.113秒，SSIM保持0.9534±0.0107，验证了临床实用性。

该研究突破性地证明：深度学习超分辨率技术能显著缩短前列腺rs-EPI DWI扫描时间，同时提升图像质量。MSSNet通过多尺度特征融合，在保持ADC值准确性的前提下（误差<5%），将SNR提升最高78%，解决了传统rs-EPI效率低下的瓶颈问题。研究团队特别指出，尽管在闭孔内肌区域观察到SNR的统计学差异（p<0.001），但所有模型的诊断参数均保持临床可接受范围，这为PI-RADS评分体系的应用奠定了基础。

值得注意的是，该技术存在单中心研究、样本量有限等局限性。未来需通过多中心试验验证其泛化能力，并探索在乳腺、肝脏等器官的应用潜力。研究者强调，该方案无需改变现有MRI硬件，仅通过算法优化即可实现扫描效率倍增，具有显著的临床转化价值。这项成果不仅为前列腺癌诊断提供新工具，也为其他医学影像加速技术开辟了新思路。