超分辨深度学习模型优化小肝癌磁共振扩散加权成像质量

摘要

目的 构建一种基于深度学习的小肝癌磁共振影像超分辨重建模型，通过联合优化高频细节与解剖合理性，提升小肝癌病灶的影像细节可视性，提升小肝癌扩散加权成像（DWI）检查的图像质量及临床应用价值。方法 回顾性分析2022年12月～2024年6月我院300例小肝癌患者的3 mm DWI数据。采用GE Discovery750 3.0 T扫描仪采集图像，按8∶2比例随机分为训练集（n=240）和测试集（n=60）。构建双分支超分辨模型：内容分支通过级联梯度Transformer块提取全局特征，梯度分支通过梯度Transformer块增强结构信息；创新性引入：（1）交叉局部增强自注意力模块，以优化块内像素特征与全局上下文信息的交互；（2）通道-空间联合注意力层，通过动态权重分配增强关键解剖结构的可视性。由3名高年资放射科医师采用5分制Likert量表对原始弥散加权成像（ORDWI）和超分辨弥散加权成像（SRDWI）进行盲法评分，同时计算峰值信噪比、结构相似度等客观指标。结果SRDWI的主观评分优于ORDWI：肝结节信号特异性（3.41±0.53 vs 2.47±0.50）、正常肝实质均匀性（3.29±0.47 vs 2.78±0.42）、伪影干扰程度（2.56±0.52 vs 2.47±0.48）及整体图像质量（3.15±0.49 vs 2.67±0.48）上的主观评分优于ORDWI(P<0.001)。图像噪声水平（3.98±0.61 vs 2.87±0.46）超分后略有增加（P<0.05），但仍在临床可接受范围内，不影响关键特征的判读。客观指标显示SRDWI的峰值信噪比（34.65489 dB）和结构相似度（0.903 65）均表现优异。结论 该深度学习模型可显著提升3 mmDWI图像质量，使薄层DWI的诊断效能接近常规厚层扫描水平，为小肝癌精准诊断提供技术支持。

关键词

超分辨技术 / 深度学习 / 薄层DWI / 小肝癌 / 磁共振成像