综述：前列腺磁共振成像中的深度学习重建：技术原理、临床应用及未来发展方向

《Abdominal Radiology》：Deep learning reconstruction in prostate MRI: technical principles, clinical applications, and future directions

　　

摘要

多参数磁共振成像（mpMRI）已成为检测、定位、风险分层和前列腺癌管理不可或缺的工具。前列腺MRI在筛查、主动监测、靶向活检引导和治疗计划中的应用日益增多，这加剧了对更快成像协议的需求，同时仍需保持高诊断质量。传统的MRI加速策略，包括并行成像和压缩感知，虽然提高了采集效率，但仍受到信噪比（SNR）、图像清晰度、伪影以及重建复杂性的限制。深度学习重建（DLR）作为一种基于人工智能的方法，为MRI加速和图像增强提供了新的途径。与传统主要依赖预定义数学模型的重建方法不同，DLR利用神经网络从MRI数据中学习图像先验和重建特征。已发表的研究表明，DLR可以在加速采集的同时，通过去噪、减少伪影以及提高空间分辨率和病变可见性来维持或改善图像质量。然而，这些效果会因重建算法、序列、加速因子和临床环境的不同而有所差异。变分网络将基于物理的MRI约束与学习到的正则化机制相结合，为DLR提供了一个重要的框架。在前列腺MRI领域，现有研究表明，DLR显著缩短了T2加权成像和扩散加权成像的采集时间，同时总体上保持了图像质量。据报道，DLR有助于提高病变可见性、增强读者的信心以及更清晰地显示解剖结构。现有证据表明，DLR通常不会系统性地改变病变分类（如PI-RADS评估结果），但其在诊断准确性或临床结果方面的改进作用仍需进一步验证。重要局限性包括对厂商和算法的依赖性、潜在的重建伪影、定量成像指标的差异性、多中心验证的有限性，以及在不同扫描仪、协议和临床环境下的应用普遍性尚不明确。本文总结了DLR的技术原理，讨论了其在前列腺MRI中的当前临床应用，重点介绍了代表性研究及其对工作流程的影响，分析了局限性，并指出了这一快速发展的技术的未来发展方向。

多参数磁共振成像（mpMRI）在前列腺癌的检测、定位、风险分层和管理中发挥着关键作用。随着前列腺MRI在筛查、主动监测、靶向活检引导和治疗计划中的应用日益普及，对更快速成像协议的需求不断增长，同时要求这些协议仍需保持高诊断质量。传统的MRI加速策略（如并行成像和压缩感知）虽然提升了采集效率，但受信噪比（SNR）、图像清晰度、伪影及重建复杂性的限制。深度学习重建（DLR）作为一种基于人工智能的技术，为MRI加速和图像增强提供了新的解决方案。与依赖预定义数学模型的传统重建方法不同，DLR利用神经网络从MRI数据中学习图像特征并进行重建。研究表明，DLR能够在加速采集的同时，通过去噪、减少伪影以及提高空间分辨率和病变可见性来改善图像质量。不过，这些效果的实现取决于具体的重建算法、序列、加速倍数和临床环境。变分网络结合了基于物理的MRI约束与学习到的正则化机制，为DLR提供了重要的技术框架。在前列腺MRI领域，相关研究显示DLR显著缩短了T2加权成像和扩散加权成像的采集时间，且图像质量基本不受影响。据报道，DLR提升了病变的可见性、增强了读者的诊断信心，并更清晰地显示了解剖结构。现有证据表明，DLR通常不会改变病变的分类（如PI-RADS评估结果），但其在诊断准确性或临床结果方面的改进效果仍需进一步验证。主要局限性包括对厂商和算法的依赖性、潜在的重建伪影、定量成像指标的变异性、多中心验证的不足，以及在不同扫描仪、协议和临床环境下的应用普遍性待验证。本文总结了DLR的技术原理，探讨了其在前列腺MRI中的临床应用，分析了代表性研究及其对工作流程的影响，评估了现有技术的局限性，并指出了这一快速发展的技术的未来发展方向。