摘要目的 探讨深度学习重建(deep learning reconstruction,DL Recon)在改善神经黑色素MRI序列图像质量中的价值.材料与方法 前瞻性纳入2022年5月10日至2022年5月31日首都医科大学宣武医院正常志愿者30例,并对每位志愿者进行DL Recon 2D快速自旋回波(fast spin echo,FSE)T1WI序列及临床传统2D FSE T1WI扫描,并保存DL Recon 2D FSE T1WI原始图像(即未施加DL Recon的图像),扫描结束后对3组图像进行主客观评价,主观评价采用"五分法"分别对图像均匀度、锐利度、伪影、图像整体质量进行评分,结果采用四分位间距M(P25,P75)进行统计描述;客观评价从中脑黑质(substantia nigra,SN)、蓝斑(locus ceruleus,LC)的信噪比(signal to noise ratio,SNR)以及上述区域与周边组织的对比噪声比(contrast noise ratio,CNR)进行评价,采用方差分析对结果进行统计学分析.结果 DL Recon 2D FSE T1WI图像、原始图像及临床传统2D FSE T1WI图像均匀度的主观评分分别为4(4,5)、4(4,5)、4(4,5)(Z=1.31,P＞0.05);锐利度评分为4(4,5)、3(3,4)、3(3,4)(Z=2.57,P＜0.001);伪影评分为3(3,4)、4(4,5)、4(4,5)(Z=3.43,P＜0.001);图像整体质量评分为4(4,5),3(2,3),3(3,4)(Z=2.77,P＜0.001).在对3组图像的主观评分中,图像均匀度之间的差异无统计学意义,锐利度、伪影和图像整体质量评分差异具有统计学意义(P＜0.05);DL Recon 2D FSE T1WI图像、原始图像及临床传统 2D FSE T1WI 图像客观评价结果为:SNRSN 250.38±9.02、66.19±7.32、110.91±10.10,SNRLC220.41±12.02、50.26±5.89、90.38±11.70;CNRSN 25.30±3.42、7.87±1.12、8.01±1.38;CNRLC 30.17±2.23、10.54±2.08、11.11±1.89.DL Recon 2D FSE T1W1组在显示SN和LC方面的SNR、CNR值均高于原始图像和传统2D FSE T1WI组,且差异有统计学意义(P＜0.001).结论 DL Recon 2D FSE T1WI序列通过采用原始K空间数据深度学习降噪算法,在保证空间分辨率的情况下,改善原始序列图像SNR及CNR,并且可大幅度缩短扫描时间,有望成为神经黑色素MRI的常规检查手段.