European Radiology：肩关节MR成像的深度学习重建，实现图像的“又好又快”！

由于磁共振成像（MRI）可以提供最佳的骨骼和软组织对比，因此是评估肩关节的首选成像方式。磁共振成像可以详细评估不同的解剖结构，如肩袖肌腱、肱二头肌肌腱、肩胛骨和软骨以及各自的病变，具有很高的准确性。

肩关节的常规MRI通常使用多平面快速自旋回波（FSE）序列，从而获得不同对比度加权的高分辨率图像。然而，由于患有多种慢性疾病的患者呼吸急促或邻近血管的脉动而产生的运动伪影，会降低FSE序列的图像质量。

为了克服这些限制，人们提出了不同的重建技术来减少运动伪影，例如通过周期性旋转的重叠平行线的径向K空间采样与增强重建（PROPELLER），也称为BLADE（西门子）和MultiVane-XD（飞利浦）。PROPELLER技术在围绕K空间旋转的同心平行线上收集数据，这使得空间变化得到校正，最终减少运动伪影，但其主要缺点是会增加采集时间。

现阶段，临床上引入了基于深度学习的卷积神经网络（DL）以加速传统序列的图像重建，减少图像噪声和扫描时间的同时保持最佳图像对比度。大多数具有基于深度学习的重建的MRI方案通常使用FSE序列，在评估不同的肌肉骨骼结构方面的成功实施已在各种研究中显示出来。然而，深度学习重建在PROPELLER序列中的应用还没有被研究。

近日，发表在European Radiology杂志的一项研究比较了常规PROPELLER MRI序列和使用DL后处理的加速PROPELLER MRI序列评估肩关节的图像质量和诊断性能，为临床提供快速、高质量的肩关节MR图像。

本项针对30名患者的前瞻性研究使用了PROPELLER技术获得了常规（19分钟18秒）和加速的MRI序列（7分钟16秒），其中加速序列使用DL进行了后处理。图像质量和诊断置信度由2名读者用5点李克特量表进行定性评估。对软骨、肩袖肌腱和肌肉、关节盂和肩峰下滑囊的病理结果进行了分析。使用Cohen's kappa统计法计算阅读者之间的一致性。使用信噪比（SNR）和对比度-噪声比（CNR）测量图像质量的定量评估。

在评估所有肩部结构时，DL序列的平均图像质量和诊断置信度更高（P值=0.01）。阅读者之间的一致性在卡帕值0.155（滑囊的评估）和0.947（肩袖肌肉的评估）之间。在17个病例中，只有在DL序列中可见超过2毫米的肩峰下滑囊增厚。其他结构的病变可以通过常规和DL序列进行适当评估。DL序列的平均信噪比（p值=0.01）和CNR（p值=0.02）明显更高。 

图 a 常规PROPELLER轴位质子密度（PD）脂肪饱和（FS），（b）使用DL进行后处理后的轴位PD FS图像显示盂唇前部中段的撕裂（箭头）。在常规和后处理的MR序列中都可以看到病变；但是，在后处理的序列中，病变的轮廓更加清晰。

本项研究表明，与传统的PROPELLER序列相比，经过DL后处理的运动校正PROPELLER MR成像技术在肩关节的成像中显示出更高的图像质量和更高的诊断信心。肩关节的病变可以在传统的PROPELLER和DL序列中得到正确评估。由于与常规序列相比，扫描时间明显缩短，信噪比和CNR也更高，因此可以考虑使用DL的PROPELLER后处理序列实现临床常规应用。

原文出处：

Malwina Kaniewska,Eva Deininger-Czermak,Jonas M Getzmann,et al.Application of deep learning-based image reconstruction in MR imaging of the shoulder joint to improve image quality and reduce scan time.DOI:10.1007/s00330-022-09151-1