基于深度学习重建算法在腰椎MRI中的降噪应用研究

张雨，徐旭，肖奕，曾令明，曾文，夏春潮，张树恒，罗曼，李真林

1.四川大学华西医院 放射科，四川 成都 610041；2.上海联影智能医疗科技有限公司，上海 201800

引言

磁共振成像（Magnetic Resonance Imaging，MRI）提供了腰椎和腰椎周围软组织和神经的可视化，包括椎间盘、脊髓、韧带、肌肉组织和血管系统[1]，并且可以识别大多数临床相关的病理改变，包括外伤性[1]、退行性[2]和炎症[3]等病变，在腰椎相关疾病诊断中起着重要作用。MR图像受随机噪声的影响，在采集过程中不可避免地与噪声一起被捕获。噪声影响临床诊断的精度和后续的图像处理任务，例如分割、分类和配准[4]。去除或降低噪声对于MR图像至关重要。在临床应用中，增加激励次数是一种常见的选择，然而激励次数的增加会导致更长的采集时间，限制了临床应用范围。深度学习技术广泛应用于后处理图像去噪中，取得了较好的性能[5]。然而，大多数用于图像恢复的深度学习模型的计算成本高，需要强大的硬件，例如具有大内存的高性能图形处理器。这增加了硬件成本以及MRI重建时间，限制了临床应用。

深度学习重建技术是一种基于编码器和解码器架构的轻量级卷积神经网络（Convolutional Neural Network，CNN），通过大数据深度学习的图像滤波和插值技术[6]。与其他传统模型相比，深度学习重建技术的模型在保持高性能的同时有效地减少了计算负担，无需增加扫描时间，甚至可以缩短扫描时间，提升SNR和分辨率。本研究与原始图像、常规滤波重建获得的腰椎序列图像进行对比，包括矢状位T1加权成像（T1-Weighted Image，T1WI）、T2加权脂肪抑制成像（T2-Weighted Fat Suppressed Image，T2WI-FS）、短时间反转恢复（Short Time Inversion Recovery，STIR）和横断位T2WI，以此评估深度学习重建技术在腰椎MR常规序列临床应用的可行性。

1 材料与方法

1.1 临床资料

本研究为前瞻性的单中心研究，经四川大学华西医院生物医学伦理委员会的批准，所有受试者均签署知情同意书。本研究纳入2021年6至7月在四川大学华西医院行腰椎检查的患者53例。纳入标准：≥18岁；临床要求行MRI腰椎检查。排除标准：体内有MR不兼容的金属植入物、起搏器；怀孕；癫痫发作、神经刺激症、幽闭空间恐惧者；高热患者；危重患者；<18岁。

1.2 图像采集及重建

采用1.5 T磁共振（uMR 588，上海联影医疗科技股份有限公司）及其内置脊柱线圈阵列。患者采用仰卧位，头先进，行矢状位T1WI、T2WI-FS、STIR序列和横断位T2WI序列扫描，具体的扫描参数如表1所示。

表1 腰椎序列扫描参数

将4个序列的原始数据使用常规滤波和深度学习重建的方式进行重建，重建层厚为4.0 mm，和常规临床实践一致。常规滤波重建采用非局部均值滤波算法进行降噪[7]。深度学习重建采用人工智能的滤波和插值图像重建算法进行降噪[6]，重建模式为Basic。最后，53例患者的各个腰椎序列都获得了以下3个图像数据集：原始图像（A组）、常规滤波重建图像（B组）和深度学习重建图像（C组）。

1.3 定量图像分析

使用两种评价去噪性能的定量指标峰值信噪比（Peak Signal to Noise Ratio，PSNR）[8]和图像锐利度[9]评估原始图像、常规滤波重建图像和深度学习重建图像。PSNR显示真实图像和重建图像之间的像素级差异。图像锐利度表示在频域中图像锐利度的度量，图像锐利度取决于k空间中高频的数量，可以通过分析单个阈值以上的高频分量的数量来定量评估图像模糊[9]。医学数字成像和通信（Digital Imaging and Communications in Medicine，DICOM）图像被加载到MATLAB中进行计算。详细的计算公式如式(1)～(2)所示。

其中，MAX表示最大信号强度；MSE表示图像的均方误差。

其中，TH为图像的傅里叶变换中的幅度大于Fmax/1000的像素总数，Fmax为图像的傅里叶变换中的最大幅度，M×N为图像的维度。

1.4 定性图像分析

两名具有8年和3年骨骼肌肉诊断经验的放射科医师使用机构的影像归档和通信系统（Picture Archiving and Communication Systems，PACS）在未知相关患者信息和序列类型的情况下对腰椎图像进行评估。使用LIKERT 5分制（1分为非可视化；2分为差；3分为平均；4分为好；5分为优秀）对图像的整体图像质量、噪声、对比度和伪影进行评价。

1.5 统计学分析

使用SPSS 22.0进行统计学分析。用夏皮罗-威尔克（Shapiro-Wilk）法检验数据正态性。采用Friedman秩和检验比较PSNR、图像锐利度的客观评分和整体图像质量、噪声、伪影的主观评分，并使用带有Holm校正的Wilcoxon符号秩检验进行事后两两比较。使用Cohen’s Kappa相关系数检测主观评价的观察者间的一致性。当0.01

2 结果

2.1 一般资料

53名患者被纳入研究，其中男性24名，女性29名。患者平均年龄为（54.92±17.84）岁。所有患者都接受了矢状位T1WI、T2WI-FS、STIR序列和横断位T2WI序列扫描。

2.2 图像客观分析

腰椎常规序列矢状位T1WI、T2WI-FS、STIR序列和横断位T2WI序列的原始图像、常规滤波重建图像和深度学习重建图像的PSNR和图像锐利度值如表2所示。对于图像的PSNR值，所有腰椎序列的C组显著高于A组和B组（P值均<0.05），其中B组显著高于A组（P值均<0.05）。对于图像的锐利度值，T1WI、STIR和横断位T2WI的C组显著高于A组和B组（P值均<0.05），其中A组显著高于B组（P值均<0.05）。在T2WI-FS序列中，C组的图像锐利度值与A组没有统计学差异[（0.27±0.02）vs.（0.27±0.01），P=0.106]，但均高于B组（P值均<0.05）。深度学习重建图像的PSNR值在矢状位STIR序列中提升最为明显，为常规滤波图像的1.06倍[（29.53±1.22）vs.（27.91±1.24），P<0.001]，原始图像的1.18倍[（29.53±1.22）vs.（25.05±1.48），P<0.001]。深度学习重建图像的图像锐利度值在矢状位STIR序列中提升最为明显，为常规滤波图像和原始图像的1.14倍[（0.33±0.23）vs.（0.29±0.01），P<0.001]。

表2 腰椎常规序列三种重建图像的PSNR值和图像锐利度值（±s）

表2 腰椎常规序列三种重建图像的PSNR值和图像锐利度值（±s）

注：a表示与原始图像相比有统计学差异；b表示与常规滤波重建图像相比有统计学差异。

组别 序列 原始图像 常规滤波重建图像深度学习重建图像T1WI 26.73±1.58 29.59±1.40a29.68±1.41ab T2WI-FS 26.46±1.90 30.20±1.68a31.59±1.43ab STIR 25.05±1.48 27.91±1.24a29.53±1.22ab T2WI-TRA 24.58±0.95 27.21±0.93a27.44±1.24ab PSNR T1WI 0.18±0.02 0.18±0.02a 0.19±0.02ab T2WI-FS 0.27±0.01 0.25±0.01a 0.27±0.02b STIR 0.29±0.01 0.29±0.01a 0.33±0.23ab T2WI-TRA 0.19±0.2 0.19±0.02a 0.21±0.2ab图像锐利度

2.3 图像主观分析

两位放射科医师对整体图像质量、噪声、对比度分辨率和伪影的主观评分，见图1和表3。结果显示，对于整体图像质量，T2WI-FS、STIR、横断位T2WI序列的C组的主观评分显著高于A组和B组（P值均<0.05），T1WI的B组和C组主观评分差异没有统计学意义（P=0.21），但是都比A组有显著提高（P值均<0.05）。对于噪声、对比度分辨率和伪影，所有腰椎序列C组的主观评分都显著高于A组和B组（P值均<0.05）。两位医师之间的主观评分的一致性较高（0.789～0.99）。

表3 腰椎常规序列三种重建图像的主观评分（±s，分）

表3 腰椎常规序列三种重建图像的主观评分（±s，分）

注：a表示与原始图像相比有统计学差异；b表示与常规滤波重建图像相比有统计学差异。

组别 序列 原始图像 常规滤波重建图像深度学习重建图像整体图像质量T1WI 2.90±0.42 3.89±0.30a 3.99±0.25a T2WI-FS 2.21±0.43 3.27±0.43a 3.93±0.24ab STIR 2.08±0.27 3.08±0.31a 4.07±0.24ab T2WI-TRA 2.57±0.53 3.52±0.49a 4.02±0.32ab噪声T1WI 2.78±0.41 3.70±0.45a 4.03±0.25ab T2WI-FS 1.88±0.56 3.08±0.37a 4.07±0.24ab STIR 1.69±0.46 2.81±0.39a 4.02±0.14ab T2WI-TRA 2.32±0.47 3.13±0.34a 3.93±0.24ab对比度分辨率T1WI 2.92±0.39 3.79±0.39a 4.01±0.37ab T2WI-FS 1.950.53 3.20±0.58a 4.02±0.42ab STIR 1.95±0.52 2.95±0.63a 4.13±0.44ab T2WI-TRA 2.47±0.54 3.40±0.53a 4.10±0.33ab T1WI 3.04±0.42 3.92±0.27a 3.99±0.28ab T2WI-FS 2.25±0.42 3.27±0.44a 3.89±0.30ab STIR 2.09±0.39 3.09±0.39a 3.93±0.24ab T2WI-TRA 2.62±0.62 3.36±0.59a 3.99±0.21ab伪影

图1 83岁男性患者行腰椎磁共振扫描图像

3 讨论

目前，已有部分临床研究将深度学习降噪技术用于头部[10-11]、腹部[12]的MRI降噪，并且取得了良好的降噪效果。据研究，目前还没有评估深度学习降噪算法在常规临床实践中对腰椎MRI可行性的相关研究。本研究将常规腰椎序列（矢状位T1WI、T2WI-FS、STIR序列和横断位T2WI序列）的原始图像、常规滤波重建图像和深度学习重建图像进行比较。结果显示，深度学习重建图像在T1WI、STIR和横断位T2WI序列的图像上相较于常规滤波图像和原始图像SNR和锐利度都有显著提升，在T2WI-FS序列中，锐利度有显著提升。图像锐利度表征识别较小物体的能力，高锐利度意味着更多的图像细节。常规滤波重建方式采用非局部平均方法（Non-Local Means，NLM）进行降噪，NLM是一种利用图像自相似性的方法[13]：首先对输入的低分辨率图像进行去噪，使用相似的块重建高分辨率图像；然后应用校正步骤以确保下采样的高分辨率图像接近去噪后的低分辨率图像。因此，常规滤波重建图像的SNR虽然升高，但是锐利度比原始图像降低[14]，本研究也证实了这一结果。本研究结果提示深度学习重建相较于常规滤波重建不仅提升了SNR，而且还提升了图像锐利度，弥补了常规滤波重建的缺点，提升了降噪效果。

STIR序列是常规应用于椎体和椎间盘的脂肪抑制序列，其应用于腰椎的关节炎[15]、骨折[16-17]、莫迪克改变[18]、腰痛[19]等疾病的诊断。STIR序列在90°射频脉冲之前先施加一个180°脉冲使纵向磁化矢量反转到与主磁场完全相反的方向，再选择合适的反转时间，使富含脂肪的组织磁化矢量在TI时刻为零。但是由于STIR 180°脉冲的施加，会增加扫描时间；同时，反转脉冲是非选择性的，脂肪和水的信号都会被反转，除了脂肪信号被抑制以外，水的信号也会降低，图像SNR降低[20]。本研究中发现，腰椎STIR序列的SNR的提升最为明显，锐利度也有明显改善。这提示了利用深度学习重建技术可以在相同扫描时间内获得更好的图像质量，甚至缩短扫描时间，可以增加STIR序列的临床应用场景。

在腰椎MRI中，疼痛或活动范围受限的患者的运动可能会影响图像质量。具有高SNR的MR图像可以更好地可视化精确的解剖结构，提高诊断准确性并促进各种疾病的早期诊断。后处理降噪技术是在有限时间内提高图像质量的最有力的方法之一。CNN是深度学习的一种模型，旨在处理排列在阵列中的数据，例如在成像数据中遇到的数据[21]。CNN由多层可学习的卷积核组成；每个内核的元素都是可训练的权重，可以从前一层提取特征[22]。传统上，机器学习模型被训练为基于从原始数据中提取的手动设计特征或其他简单机器学习模型学习的特征来执行有用的任务。有效使用CNN之后，计算机直接从原始数据中自动学习有用的表示和特征，绕过手动提取参数的步骤，使得CNN在图像降噪领域被广泛应用[23-24]。深度学习重建技术是基于编码器和解码器架构的轻量级CNN的MR图像降噪技术。可分为三个模块：特征提取、特征学习和图像重建。每个特征提取模块和重建模块都由一个3×3卷积层组成，而特征学习模块基于编码器-解码器框架，通过充分整合不同尺度和层次的图像特征来提高表示能力。深度学习重建算法已被证实在腹部MRI中有良好的降噪效果[12]。本研究结果也表明，深度学习重建算法在腰椎常规序列中取得了良好的降噪效果。但是在临床实践中，各个部位成像、各个临床适应症的扫描参数不同，也可能影响去噪效果。因此，在未来研究中有望验证深度学习重建算法在更广泛的部位与适应症的临床价值。

本研究存在一定的局限性：① 包括的研究对象数量有限，他们潜在的病理和临床状况各不相同，因此无法比较常规滤波重建图像与深度学习重建图像对于腰椎疾病的实际诊断能力；② 为单中心、单机型研究，具有一定局限性，缺乏外部验证。

4 结论

综上所述，深度学习重建技术对腰椎矢状位T1WI、STIR和横断位T2WI图像的SNR和锐利度有良好的提升，对于腰椎T2WI-FS序列的锐利度有提升。深度学习重建技术可以在相同的扫描时间内，提升图像质量，有助于在临床进行应用，提高检查效率。