深度学习重建算法在胰腺HASTE-T2WI序列中的临床应用价值

摘要

目的：探讨基于深度学习（deep learning,DL）重建算法的半傅立叶采集单次快速自旋回波（half-Fourier acquisition single-shot turbo spin echo,HASTE）T2WI序列在胰腺磁共振成像（magnetic resonance imaging,MRI）中的临床应用价值。方法：应用3.0T磁共振对69例患者进行胰腺常规BLADE-TSE-T2WI和基于DL的HASTE-DL-T2WI序列扫描。采用Likert Scale量表5分法对两组图像总体质量、胰腺锐利度、胆管显示清晰度、伪影进行主观评分；测量并比较两组图像同层面的胰腺正常组织、病灶的对比噪声比（contrast to noise ratio,CNR）和信噪比（signal to noise ratio,SNR），并记录扫描时间。结果：HASTE-DL序列的图像总体质量、胰腺锐利度以及胆管显示清晰度评分均优于BLADE-TSE序列（P <0.001），两组图像伪影评分差异无统计学意义（P> 0.05）。HASTE-DL序列图像的正常胰腺组织SNR、病灶SNR和CNR均优于BLADE-TSE序列图像（P <0.001）,HASTE-DL序列的扫描时间较BLADE-TSE序列缩短了78%。结论：与BLADE-TSE序列图像相比，HASTE-DL序列图像总体质量更好，胰腺锐利度及胆管显示清晰度更高、SNR和CNR更优，并且扫描时间更短，在胰腺MRI扫描中有很好的临床应用价值。

关键词

胰腺 / 磁共振成像 / 图像质量 / 深度学习