深度学习重建技术在呼吸触发单次相位敏感反转恢复心肌延迟增强心脏磁共振成像中的应用——用于降低图像噪声

《Magnetic Resonance Imaging》：Deep-learning reconstruction for noise reduction in respiratory-triggered single-shot phase sensitive inversion recovery myocardial delayed enhancement cardiac magnetic resonance

自由呼吸单次相位敏感LGE序列结合深度学习降噪算法，较传统屏气分段序列可缩短扫描时间5倍以上，减少运动伪影，并提升血心肌对比噪声比及LGE信号噪声比，图像质量相当或更优。

　　

摘要

背景

相位敏感反转恢复延迟钆增强（LGE）技术能够提升组织对比度，但将其与自由呼吸采集方式结合使用颇具挑战性。深度学习（DL）算法在心脏磁共振成像（CMR）领域中的应用日益广泛，有助于提高图像质量。本研究将一种新的自由呼吸单次拍摄相位敏感LGE序列（结合呼吸触发技术，简称FB-PS）与深度学习噪声降低重建算法进行比较，同时也与传统的屏息采集相位敏感LGE序列（简称BH-PS）进行了对比。

方法

61名成年受试者（29名男性，平均年龄51±15岁）接受了使用FB-PS序列和传统BH-PS序列的临床CMR检查（1.5T磁场）。图像重建过程中采用了深度学习噪声降低技术。评估指标包括图像质量、伪影严重程度以及诊断信心。定量指标包括心隔-血液边界清晰度、LGE清晰度、血液-心肌的表观信噪比（CNR）、LGE-心肌的CNR、LGE的表观信噪比（SNR）以及LGE的分布程度。各序列通过配对t检验进行了比较。

结果

27名受试者的LGE检测结果呈阳性。FB-PS序列获取单层图像的平均时间为4–12秒，而BH-PS序列（包括屏息指令及屏息间隔时间）的平均时间为约32–38秒。采用中等程度深度学习噪声降低技术的FB-PS序列在图像质量（FB-PS 3.0±0.7 vs. BH-PS 1.5±0.6，p<0.0001）、伪影减少（FB-PS 4.8±0.5 vs. BH-PS 3.4±1.1，p<0.0001）以及诊断信心（FB-PS 4.0±0.6 vs. BH-PS 2.6±0.8，p<0.0001）方面表现更优。FB-PS序列中心隔边缘的清晰度与BH-PS序列无显著差异，LGE的清晰度和分布程度也未见明显差别。FB-PS序列在血液-心肌CNR（FB-PS 17.2±6.9 vs. BH-PS 16.4±6.0，p=0.040）、LGE-心肌CNR（FB-PS 12.1±7.2 vs. BH-PS 10.4±6.6，p=0.054）以及LGE信噪比（FB-PS 59.8±26.8 vs. BH-PS 31.2±24.1，p<0.001）方面均优于BH-PS序列，且深度学习噪声降低技术进一步提升了这些指标的表现。

结论

FB-PS序列将扫描时间缩短了5倍以上，并减少了运动伪影。结合深度学习噪声降低算法后，其图像质量与BH-PS序列相当或更优。这对于无法屏息的患者而言是一个很有前景的解决方案。

引言

在心脏磁共振成像（CMR）中，提高LGE成像的速度和便捷性同时不牺牲诊断准确性对于该技术的广泛应用至关重要。

相位敏感反转恢复（PSIR）技术通过纠正不精确的反转恢复时间选择来提升组织对比度。传统上采用分段PSIR脉冲序列进行图像采集，这需要多次屏息（BH），且容易产生呼吸运动伪影。单次拍摄（SS）方法可在自由呼吸状态下完成图像采集，但信噪比和对比度较低，同时可能因T1加权（T1w）图像与生成PSIR重建所需的参考图像之间的不匹配而产生伪影[1]。

因此，一种能够在不损失信噪比（SNR）的情况下实现自由呼吸相位敏感LGE成像的技术是临床上的理想选择。传统技术包括对运动校正后的SS采集结果进行平均处理[2]、运动校正后的分段采集[3]以及呼吸触发成像[4]。近年来，深度学习（DL）算法在CMR领域得到了广泛应用，这些技术通过图像重建过程进一步改善图像质量。例如，van der Velde等人使用具有可调噪声降低功能的DL网络（AIR? Recon DL，GE HealthCare，威斯康星州沃基肖）提升了标准LGE序列的图像质量[5]；Muscogiuri等人研究了深度学习噪声降低算法在事后应用于屏息SS心肌延迟增强序列的可行性[6]。

自由呼吸单次拍摄相位敏感心肌延迟增强序列（FB-PS）结合呼吸触发技术旨在加快采集速度并减少运动伪影。通过引入新型DL噪声降低算法（目前市场名称为AIR? Recon DL）到LGE图像重建流程中，有望进一步提升图像质量，有效解决单次拍摄在空间分辨率和信噪比/对比度方面的局限性。

本研究旨在将传统的屏息分段相位敏感心肌延迟增强序列（BH-PS）与FB-PS序列进行对比，并探讨深度学习噪声降低算法对图像质量的影响。我们假设该方法在能够屏息的受试者中能够实现与BH-PS序列相当的图像质量并减少运动伪影。

方法部分

方法

我们研究了61名受试者，他们分别接受了使用FB-PS序列和市售BH-PS序列的对比CMR检查。其中32名为女性，所有受试者的平均年龄为51.4±15.2岁（表1）。本研究已获得机构审查委员会的批准，所有受试者均签署了知情同意书。

结果

本研究中有27名受试者的LGE检测结果呈阳性，这一结论由三级CMR专家确认。其中9名患者的表现符合缺血性心肌病的特征，即存在已知的冠状动脉疾病（如冠状动脉造影显示的冠状动脉阻塞、经皮冠状动脉介入治疗史或冠状动脉旁路手术史），且LGE表现与心肌梗死一致。

讨论

CMR是功能性评估、血流定量和心肌组织分析的常用诊断工具。然而，CMR更广泛应用的两个主要障碍是较长的扫描时间和患者需要屏息的要求。由于磁共振成像设备资源有限，缩短单次扫描时间有助于提高患者就诊效率并降低医院运营成本。

结论

本研究证明，结合深度学习噪声降低技术的自由呼吸呼吸触发单次拍摄相位敏感LGE序列在图像质量和减少运动伪影方面优于传统的屏息LGE序列，同时扫描时间也更短。该技术为无法屏息的患者提供了可行的解决方案。

引言

在心脏磁共振成像（CMR）中，提高LGE成像的速度和便捷性同时保持诊断准确性对于其广泛应用至关重要。

相位敏感反转恢复（PSIR）技术通过纠正不准确的反转恢复时间选择来提升组织对比度。传统上采用分段PSIR脉冲序列进行图像采集，这需要多次屏息（BH），容易导致呼吸运动伪影。单次拍摄（SS）方法可在自由呼吸状态下完成图像采集，但信噪比和对比度较低，并可能因T1加权图像与PSIR重建所需参考图像之间的不匹配而产生伪影[1]。

因此，无需牺牲信噪比（SNR）的自由呼吸相位敏感LGE成像技术是临床上的理想选择。传统技术包括对运动校正后的SS采集结果进行平均处理[2]、运动校正后的分段采集[3]以及呼吸触发成像[4]。近年来，深度学习（DL）算法在CMR领域得到广泛应用，这些技术通过图像重建过程进一步改善图像质量。例如，van der Velde等人使用可调噪声降低功能的DL网络（AIR? Recon DL，GE HealthCare，威斯康星州沃基肖）提升了标准LGE序列的图像质量[5]；Muscogiuri等人研究了深度学习噪声降低算法在事后应用于屏息SS心肌延迟增强序列的可行性[6]。

自由呼吸单次拍摄相位敏感心肌延迟增强序列（FB-PS）结合呼吸触发技术旨在加快采集速度并减少运动伪影。通过引入新型DL噪声降低算法（目前市场名称为AIR? Recon DL），预计LGE图像质量将得到进一步提升，有效解决单次拍摄在空间分辨率和信噪比/对比度方面的局限性。

本研究旨在将传统的屏息分段相位敏感心肌延迟增强序列（BH-PS）与FB-PS序列进行对比，并探讨深度学习噪声降低算法对图像质量的影响。我们假设该方法在能够屏息的受试者中能够实现与BH-PS序列相当的图像质量并减少运动伪影。

方法部分

方法

我们研究了61名受试者，他们分别接受了使用FB-PS序列和市售BH-PS序列的对比CMR检查。其中32名为女性，所有受试者的平均年龄为51.4±15.2岁（表1）。本研究已获得机构审查委员会的批准，所有受试者均签署了知情同意书。

结果

本研究中有27名受试者的LGE检测结果呈阳性，这一结论由三级CMR专家确认。其中9名患者符合缺血性心肌病的特征，表现为已知的冠状动脉疾病（如冠状动脉造影显示的冠状动脉阻塞、经皮冠状动脉介入治疗史或冠状动脉旁路手术史），且LGE表现与心肌梗死一致。

讨论

CMR是功能评估、血流定量和心肌组织分析的重要工具。然而，CMR更广泛应用的两个主要障碍是较长的扫描时间和患者需要屏息的要求。鉴于磁共振成像设备资源有限，缩短单次扫描时间有助于提高患者就诊效率并降低医院运营成本。

结论

本研究证明，结合深度学习噪声降低技术的自由呼吸呼吸触发单次拍摄相位敏感LGE序列在图像质量和减少运动伪影方面优于传统的屏息LGE序列，同时扫描时间也更短。无论使用何种序列或是否应用噪声降低算法，基于FWHM阈值的自动LGE检测方法都能获得一致的LGE定量结果。该技术具有显著优势。

作者贡献声明

Maxine Tang：撰写 – 审稿与编辑、初稿撰写、验证、软件开发、方法学设计、数据分析、形式化分析、数据整理。Haonan Wang：撰写 – 审稿与编辑、初稿撰写、验证、监督、软件开发、资源协调、方法学设计、数据分析、形式化分析。Shuo Wang：撰写 – 审稿与编辑、验证、方法学设计、形式化分析。Eisha Wali：数据整理。Joseph Gutbrod：项目管理、数据支持。

作者声明

所有作者对本文内容负全责，同意将其提交给期刊，并已审核结果并批准最终版本。