自20世纪70年代初期诞生以来，MRI技术已经取得了长足的进步，并广泛应用于临床诊断和科学研究。MRI的广泛应用离不开重建算法的发展和推动。1973年，LAUTERBUR[1]首次发表了通过反向投影算法（back projection, BP）重建经梯度编码的MR信号得到物体MRI图像的开创性成果。然而，基于BP重建MRI的成像时间非常长，图像信噪比和对比度差[2]。ERNST[3]提出可以将傅里叶变换（Fourier translation, FT）用于MRI。随后，荷兰中心实验室“质子”项目研究组于1981年成功将FT重建算法用于MRI。较BP重建算法而言[4]，FT重建算法获取的MRI人脑图像信噪比和对比度得到极大提升。尽管后续有种类繁多的MRI重建算法被提出[5]，但FT至今仍是MRI的标准重建算法。
MRI信号采集无法避免热噪声和电子噪声，这些噪声会转换到重建后的MRI图像中，降低了图像信噪比[6]。此外，MRI由于成像速度慢的原因，快速成像方法也在不断提出和应用，如：并行成像[7]、多层并发采集成像[8]等，但也会牺牲图像的信噪比和（或）分辨率[6]。为了降低噪声水平，MRI设备硬件性能在不断加强，如：更高的磁场强度、更优的线圈设计等，但这会显著增加系统成本[6]。对已有的设备，通过增加扫描平均次数是常用的提升信噪比的方法，代价是显著的延长了扫描时间[6]。另一方面，实际成像过程中对高频信号的采集往往是不完备的，会导致经FT重建后的MRI图像边缘存在环状伪影。提高采集分辨率可以减轻环状伪影，但会增加扫描时间以及降低信噪比。传统MRI重建方法至今仍面临着成像时间、图像分辨率和信噪比之间的权衡问题[6]。
近几年，深度学习（deep learning, DL）算法在很多领域都取得了巨大成功，在MRI重建方法的转变方面也显示出巨大的潜力[6]。DL的核心是深度神经网络（deep neural network, DNN），此网络利用多层非线性信息处理单元来学习数据之间的复杂关系。常见的DNN包括卷积神经网络（convolutional neural network, CNN）、递归神经网络（recurrent neural network, RNN）和生成对抗网络（generative adversarial network, GAN）[9]。基于DL的MRI重建算法大致分三大类：数据驱动、模型驱动和二者的整合[5, 9]。数据驱动DL重建算法使用网络模型作为“黑匣子”来学习输入和输出数据之间的映射，不需要任何先验知识，但严重依赖大量数据来训练[5, 9]。模型驱动DL重建算法以约束重建模型为基础，将迭代优化算法的过程展开到深度网络，进行网络参数训练学习，在训练集规模较小的情况下，模型驱动重建算法通常表现良好[5, 9]。至今，大部分DL-MRI重建算法集中在对欠采样数据进行重建，以实现比快速采集方法更快的成像速度[6]。
目前仅GE公司提供商业化的DL-MRI重建算法，即AIR Recon DL[6]。AIR Recon DL使用深度CNN对400余万个重建前的MRI原始复数数据进行训练，整个CNN网络包含超过10 000个卷积核，训练的参数超过400余万个，最终得到极低噪声和极小环状伪影的“纯净”且锐利的MRI图像[6]。AIR Recon DL单个数据重建所需时间不到2 s[10]。另一方面，AIR Recon DL的算法设计使其可与现有的MRI快速采集方法（如：并行采集、部分傅里叶采集）直接无缝兼容，扩大了其应用范围[6]。此外，基于AIR Recon DL重建算法带来的信噪比和对比度的显著提升，使得MRI可以在加快扫描速度的同时，获得更高分辨率和更高信噪比的图像[6,10]。
近年来，DL-MRI重建算法的临床应用报道不断增多。神经系统方面，使用DL重建技术，头部MRI扫描的时间缩短了近3/4，而图像质量与传统重建图像类似[11]。如垂体这样的小器官，基于DL重建，行1 mm薄层T1加权成像（T1-weighted imaging, T1WI）对垂体瘤检出及海绵窦侵犯的诊断效能均优于常规重建、3 mm层厚的T1WI[10, 12]。扩散张量成像（diffusion tensor imaging, DTI）被广泛应用于探究脑微观结构和连接，相较于传统重建模型的DTI，DL重建DTI在提升图像信噪比、减少伪影方面有显著效果，重建出的白质纤维束与标准图谱更具一致性[13]。
在骨肌系统方面，与传统重建方法相比，DL重建的使用极大地缩短了成像时间（40%～75%），同时提高了信噪比和对比度，更清晰地显示了局部细节，更短的扫描时间也有助于运动伪影的减少[14, 15, 16, 17]，而这些优势有助于提升骨关节疾病的诊断信心。YASAKA等[17]的研究结果表明，DL重建能更清晰地显示颈椎结构（脊髓、椎体、关节突等），提高了不同阅片人对椎管狭窄和椎间孔狭窄评估的一致性。在疾病检测方面，DL重建能替代传统的重建方法，节约了70%的扫描时间且不影响疾病的诊断[18]。
在前列腺方面，T2加权成像（T2-weighted imaging, T2WI）是前列腺癌检查的常规序列，基于DL重建的T2WI序列扫描时间更短，且对前列腺癌边界和侵犯范围的诊断效能与常规重建的T2WI一致[19]。对于前列腺癌小病灶的检测，通常使用高b值的扩散加权成像（diffusion weighted imaging, DWI），但高b值会降低图像信噪比，而DL重建能提升高b值DWI的图像质量且提高前列腺癌的检出敏感性[20]。
在心脏方面，心肌延迟强化（late gadolinium enhancement, LGE）对心肌纤维化的评估具有重要价值。已有研究表明，DL重建能显著降低LGE图像的噪声水平、提高图像对比度和锐利度，从而提升诊断准确性[21, 22]。在心肌组织弛豫定量方面，DL重建能够提供更精确的T1弛豫定量信息[23]。
目前DL-MRI重建已经开始进入临床应用，在缩短成像时间、提升信噪比、提高分辨率和消除伪影方面均发挥了重要作用。但是，DL能否替代传统MRI重建算法用于日常临床检查，仍需要开展更广泛深入的研究。此外，使用DL-MRI的重建算法对定量评估是否影响，也需要开展全面的对照研究。目前只有GE公司提供了商用的DL重建技术，但支持的成像序列有限，包括结构成像、弛豫定量成像、DWI、对比增强成像等，支持的设备均是1.5 T及以上的高场设备。期待更多的MR设备厂家提供DL重建技术，支持更全面的成像序列（如：动脉自旋标记灌注成像、合成成像等），覆盖更低场强的设备（因低场强的信噪比更低），从而推动DL重建技术获得更广泛的临床应用，推动MRI技术迈向新的高度和水平。
严福华. 深度学习MRI重建算法的临床应用和发展前景[J]. 磁共振成像, 2023, 14(5): 8-10.
YAN F H. The clinical application and development prospect of deep learning MRI reconstruction algorithm[J]. Chin J Magn Reson Imaging, 2023, 14(5): 8-10.
作者声明无利益冲突。
联系客服
