基于深度复数卷积网络的脂肪-水磁共振成像分离技术研究

来自临床放射学部门的研究人员针对脂肪-水磁共振成像分离的精度问题，采用深度复数卷积网络(DCCN)与实值U-Net进行对比研究。结果表明，DCCN在物理信息驱动的特定对象重建方法中，生成脂肪/水图的标准化均方根误差和结构相似性指数(SSIM 0.847±0.069/0.861±0.078)显著优于U-Net，肝脏质子密度脂肪分数(PDFF)与参考方法相关性达R=0.847，为复杂值MRI信号处理提供了新范式。

　　

这项研究探索了深度复数卷积网络(DCCN)在脂肪-水磁共振成像(MRI)分离中的突破性应用。与传统实值U-Net不同，DCCN能直接处理复数域MRI信号，无需拆解为幅值和相位分量。研究团队采用包含33例样本的数据集——其中28组来自2012年ISMRM脂肪-水分离研讨会(涵盖1.5T/3T扫描仪获取的腹部、大腿、膝关节及体模的多回波MRI)，另5例为代谢相关脂肪肝病(MAFLD)患者临床数据。

定量分析显示，在物理信息驱动的特定对象重建方法中，DCCN生成的脂肪/水图结构相似性指数(SSIM)分别达到0.847±0.069和0.861±0.078，显著超越实值U-Net的0.653±0.166/0.729±0.134。更令人振奋的是，DCCN测算的肝脏质子密度脂肪分数(PDFF)与金标准方法呈现0.847的高度相关性，犹如为复杂生物组织成分检测装上了"分子显微镜"。这项技术不仅提升了多回波MRI的解析精度，更为代谢性肝病的定量评估开辟了新航道。