摘要目的 探讨深度学习重建(deep learning reconstruction,DLR)技术在提高前列腺MRI T2加权成像(T2 weighted imaging,T2WI)图像质量及缩短扫描时间中的应用价值.材料与方法 本研究前瞻连续纳入未经治疗的可疑前列腺病变的受试者,分别行前列腺MRI常规快速自旋回波(fast-spin echo,FSE)-T2WI和DLR快速FSE-T2WI扫描,并保存未应用DLR的原始快速FSE-T2WI.由2名研究者分别对三组T2WI(常规T2WI、快速T2WI和DLR快速T2WI)的整体图像质量和图像伪影进行图像质量主观评价(5分标准).由1名研究者测量前列腺正常外周带、正常移行带和病变的信噪比(signal-to-noise ratio,SNR)以及与髂腰肌的对比噪声比(contrast-to-noise ratio,CNR).对正态分布和非正态分布的数据分别进行单因素方差分析和Kruskal-Wallis检验,比较分析三组T2WI图像的主观评分和客观指标的差异.采用组内相关系数(intra-class correlation coefficient,ICC)评估研究者之间主观评分和病灶前列腺影像报告和数据系统2.1版(Prostate Imaging-Reporting and Data System version 2.1,PI-RADS v2.1)评分的一致性.结果 本研究共纳入35名受试者(38个前列腺病灶).DLR快速FSE-T2WI较常规FSE-T2WI扫描时间缩短了32.1％.两位研究者的评分结果均显示,常规FSE-T2WI、快速FSE-T2WI和DLR快速FSE-T2WI的整体图像质量评分、前列腺包膜显示清晰度和前列腺病变显示清晰度均存在显著差异(P＜0.05);但在伪影评分上差异无统计学意义(P＞0.05).三组FSE-T2WI图像的前列腺外周带、移行带和病灶的SNR、CNR间差异具有统计学意义(P＜0.05).应用三组T2WI图像进行前列腺病变的PI-RADS v2.1评分具有很好的一致性.结论 DLR可以显著改善快速采集MRI序列的图像质量,有利于促进前列腺快速MRI序列的临床应用.