深度学习重建在优化头颅扩散加权成像扫描时间、信噪比及结构相似度中的应用

摘要

目的 探讨深度学习重建（SupMR）在优化头颅扩散加权成像（DWI）扫描时间、信噪比（SNR）及结构相似度中的应用价值。方法 于2024年12月～2025年1月在扬州大学附属医院前瞻性连续招募健康志愿者40例，均接受低激励次数（LN-DWI组）和常规DWI(C-DWI组)序列的头颅扫描。对LN-DWI图像采用SupMR进行后处理，生成Sup-DWI图像，并记录成像时间。分别对3组图像进行评估，包括主观评分以及客观评价[感兴趣区信噪比、对比噪声比（CNR）、表观扩散系数（ADC）、峰值信噪比（PSNR）及结构相似性指数（SSIM）]。采用组内相关系数（ICC）分析3组图像ADC值的一致性和2名医师主观评分观察者内及观察者间的一致性。结果 与C-DWI组相比，Sup-DWI组扫描时间缩短了52%。一致性分析结果显示2名医师观察者内及观察者间一致性良好（ICC>0.75），两组间脑实质各区域ADC值一致性良好（ICC>0.75）。主观评分分析结果显示3组间差异有统计学意义（P<0.05）；两两比较显示Sup-DWI组与C-DWI组差异无统计学意义（P>0.05）。客观评估分析结果显示3组间SNR、CNR差异均具有统计学意义（P<0.05）；两两比较显示SNR及CNR差异均有统计学意义（P<0.05）。PSNR、SSIM值Sup-DWI组均大于LN-DWI组，差异有统计学意义（P<0.05）。结论 SupMR技术能够显著缩短DWI扫描时间，优化图像质量，有助于提高检查效率。

关键词

深度学习 / 扩散加权成像 / 图像重建 / 图像质量