深度学习重建与加速采集对腹部MRI影像组学特征稳健性的影响评估

本研究针对深度学习重建(DLR)和加速采集技术对腹部MRI影像组学特征稳健性的影响展开深入探究。通过前瞻性纳入17名志愿者，采用3T MRI扫描仪获取轴向T2加权(T2 WI)、脂肪抑制T2加权(T2 FS)及冠状位T2加权图像，对比四种扫描方案（REF+STD/REF+DLR/ACC+STD/ACC+DLR）下93个影像组学特征的重复性(ICC/CCC)和变异性(CV/QCD)。结果显示仅8.1%特征具有优异重复性(ICC/CCC>0.90)，但51.9%-75.0%特征变异度可接受(CV/QCD<10%)，为DLR技术在影像组学研究中的临床应用提供了重要数据支撑。

　　

在医学影像领域，腹部MRI长期面临扫描时间长导致运动伪影的挑战。传统解决方案如半傅里叶采集单次激发快速自旋回波(HASTE)技术虽能缩短采集时间，却以牺牲图像信噪比和对比度为代价。近年来，深度学习重建(DLR)技术的出现为这一困境带来转机，它能在加速采集的同时保持图像质量。然而，这种技术革新对新兴的影像组学研究却可能暗藏风险——影像组学通过从医学图像中提取高通量特征来辅助临床决策，但其特征值极易受扫描参数、重建算法等因素影响。

上海交通大学医学院附属同仁医院的研究团队敏锐捕捉到这一关键问题。他们在《Journal of Imaging Informatics in Medicine》发表的研究中，首次系统评估了DLR与加速采集技术对腹部MRI影像组学特征稳健性的影响。研究采用前瞻性设计，招募17名健康志愿者，在3T MRI扫描仪上获取三种序列（轴向T2 WI、轴向T2 FS、冠状位T2 WI）的四种扫描方案图像。通过严格的手动ROI勾画和刚性配准，提取93个标准化后的影像组学特征，采用类内相关系数(ICC)和一致性相关系数(CCC)评估重复性，变异系数(CV)和四分位离散系数(QCD)评估变异性。

关键技术方法包括：1）使用3T MAGNETOM Vida扫描仪实施四种扫描方案对比；2）在10个解剖部位放置标准化ROI；3）通过PyRadiomics提取符合IBSI标准的特征；4）采用R语言进行统计学分析。

研究结果
Participant Characteristics
纳入的17名志愿者平均年龄38.4岁，53%为男性，BMI中位数21.7 kg/m²，35%存在肝/肾囊性病变等良性病变。

Reproducibility of Radiomic Features
整体ICC/CCC中位数仅为0.451(0.304-0.583)，仅8.1%特征达到优秀重复性标准(>0.90)。REF+DLR与ACC+DLR方案间差异最显著(P<0.001)，一级特征稳定性优于纹理特征。

Variability of Radiomic Features
特征变异呈现明显异质性：CV中位数9.4%(4.9%-17.2%)，QCD中位数4.9%(2.5%-9.7%)。值得注意的是，51.9%(CV)和75.0%(QCD)的特征变异在可接受范围内(<10%)，冠状位T2 WI序列表现最优。

讨论与结论
该研究揭示了DLR和加速采集技术对影像组学特征的深远影响：

1. 技术冲突：尽管DLR能提升主观图像质量，但其非线性重建过程会显著改变特征值，与标准重建方案的互换性差
2. 临床应用启示：在肝脏病变等关键场景中，需谨慎选择扫描方案，优先采用稳定性较高的一级特征
3. 标准化需求：研究强调了扫描协议标准化的重要性，为未来建立基于DLR技术的影像组学流程提供了基准数据

这项研究填补了DLR技术在影像组学验证领域的空白，其创新性在于首次量化了加速采集与DLR的协同效应。Jingyu Zhong等作者指出，虽然超过半数特征变异可控，但临床转化仍需结合具体应用场景验证特征稳定性。该成果对推动MRI技术革新与影像组学研究的融合发展具有里程碑意义，为后续研究提供了方法论范本和重要警示——技术创新必须与特征验证同步推进。