换一批
换一批深度学习重建法提高磁共振高分辨海马冠状位图像质量的比较研究
A comparative study on the enhancement of high resolution coronal image quality by deep learning reconstruction
摘要目的 探讨深度学习重建(deep learning reconstruction,DLR)在提高高分辨率T2液体衰减反转恢复(fluid-attenuated inversion-recovery,FLAIR)序列海马冠状位MRI图像质量中的作用.材料与方法 前瞻性纳入36例神经系统疾病患者,进行高分辨率海马T2-FLAIR冠状位扫描,并对图像进行DLR,对原始重建(origin reconstruction,OR)图像和DLR图像的噪声、伪影、海马结构辨识度、病灶可识别度和诊断接受度进行主观评价,测量并计算两组图像的信噪比、对比噪声比和双侧海马信号强度差值.结果 DLR的T2-FLAIR海马冠状位图像噪声、海马结构辨识度、病灶可识别度和诊断接受评分均高于OR T2-FLAIR海马冠状位(P＜0.001),伪影评分差异无统计学意义(Z=-1.730;P=0.084);DLR T2-FLAIR海马冠状位图像的信噪比和对比噪声比均明显高于OR T2-FLAIR海马冠状位(t=-13.061;P＜0.001和t=-16.224;P＜0.001);两组图像双侧海马信号差值差异无统计学意义(t=-0.290;P=0.977).结论 DLR不延长扫描时间就可以明显提高高分辨T2-FLAIR海马冠状位图像的海马结构和小病灶的清晰度,降低噪声,为临床诊断提供高质量图像.
更多相关知识
- 浏览24
- 被引4
- 下载26
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
