探讨人工智能辅助压缩感知（ACS）结合深度学习重建技术在5.0T MRI腰椎T2WI中的加速效能，比较不同加速因子及重建方式下的图像质量与诊断效能，筛选最优扫描方案。

前瞻性纳入在我院5.0T MRI完成扫描的40例疑似腰椎疾病患者。扫描方案分为常规A（TSE）：A1（未用深度学习，150s）、A2（用深度学习，150s）；加速B（ACS）：B1（加速因子2，未用深度学习，85s）、B2（加速因子2，用深度学习，85s）、B3（加速因子6，未用深度学习，53s）、B4（加速因子6，用深度学习，53s）。2名主管技师在中间层面于L4/5测量各结构信号强度及背景噪声，计算SNR和CNR。2名高年资医师采用5分制盲法评分，评估解剖结构显示及病变检出能力，采用Kappa检验一致性。

A2的SNR和CNR高于A1，椎间盘SNR（39.2 vs 32.6）、CNR（28.7 vs 22.3）差异有统计学意义（P＜0.05）；B2的SNR（37.8）、CNR（27.5）与A2接近（P＞0.05），且高于B1（SNR=29.5，CNR=20.1，P＜0.05）；B4的SNR（28.6）、CNR（19.3）虽低于B2（P＜0.05），但高于B3（SNR=21.3，CNR=14.5，P＜0.05）。

A2图像质量评分（4.2）高于A1（3.6，P＜0.05）；B2（4.1）与A2无显著差异（P＞0.05），且高于B1（3.2，P＜0.05）；B4（3.0）低于B2（P＜0.05），但高于B3（2.1，P＜0.05）。两组医师对解剖结构显示及病变检出一致性良好（Kappa=0.78~0.85）。

ACS结合深度学习重建技术可在加速扫描的同时维持图像质量，加速因子为2时，扫描时间较常规缩短43%，其SNR、CNR及主观质量与常规序列结合深度学习重建相当，且优于未用深度学习的加速方案，有较高临床应用价值。