基于深度学习的T2 Flair序列提升白质高信号图像质量的价值

Value of T2 Flair sequence based on deep learning in improving image quality of white matter hyperintensities

二维码有效期 120s

摘要目的探讨基于深度学习重建(deep learning reconstruction,DLR)算法的T2液体衰减反转恢复(fluid-attenuated inversion recovery,Flair)序列在提升白质高信号(white matter hyperintensity,WMH)图像质量中的应用价值.材料与方法前瞻性纳入临床怀疑脑缺血性疾病的患者50例.对患者分别行常规T2 Flair序列和基于DLR算法的高分辨T2 Flair序列扫描.其中DLR Flair序列选择保留未经DLR处理而采用常规重建算法的预处理图像(记为Pre-DLR).采用4分法对三组图像从图像锐利度、灰-白质对比度、脑脊液-脉络丛对比度、WMH显示以及整体图像质量五个方面进行主观评分;比较三组图像中WMH的检出数目和WMH的信噪比(signal-to-noise ratio,SNR)、对比噪声比(contrast-to-noise ratio,CNR).结果主观评价中,DLR组图像在图像锐利度、灰-白质对比度、脑脊液-脉络丛对比度、WMH显示以及整体图像质量的各项评分中均高于常规组和Pre-DLR组(P均＜0.05);在WMH的计数方面,DLR组识别出的数量大于常规组(P＜0.05)而与Pre-DLR组差异无统计学意义.客观评价中,DLR组的WMH的SNR和CNR均高于常规组和Pre-DLR组(P均＜0.05).结论与常规序列相比,结合DLR算法的高分辨T2 Flair序列可以实现在不增加扫描时间的前提下提高WMH图像质量、发现更多WMH微小病灶.