摘要 

目的  

探究深度学习模型结合不同水平压缩感知因子在磁共振腰骶丛神经成像中对图像质量的影响

材料与方法

我们将深度学习模型（AICSNet）结合压缩感知技术并将其应用在腰骶丛神经成像中。本实验中，我们通过改变CS加速因子的大小来获得不同CS水平下的腰骶丛神经图像，图像经AICS-Net优化后，对获得的图像进行重建，通过测量神经及周边区域信号值，计算客观参数，邀请两位影像学专家对各神经节段进行5分法评分；引进图像质量控制参数MAE,PSNR,SSIM对图像整体进行客观计算；对于所获得的SNR与CNR采用ANOVA方差分析，对于两位专家的主观评分数据采用成组t检验并采用Kappa分析比较2位专家的一致性，P＜0.05表示差异有统计学意义。

结果

SNR与CNR随着CS增大而降低，统计学差异仅出现在AICS=8与CS=10,15之间。2位影像学专家主观评分，所有整体图像评分均满足诊断要求（得分≥3），其中CS=15（R1 3.73±1.038  VS  R2  3.77±1.010 ），其余整体评分均≥4分，图像质量良好。Kappa分析上，除了CS=10的神经主干（K=0.367,P=0.038）两位专家一致性不同外，其余节段均具有良好的评分一致性。图像质量控制参数MAE,PSNR,SSIM三者数值变化均与CS的变化趋势高度一致，从侧面验证了3个参数对于解释图像质量变化的重要作用。AICS8的数据满足临床诊断，其节约了52%的扫描时间

结论  不同的CS因子水平与腰骶丛神经成像的图像质量具有相关性，CS增大采集时间缩短，图像质量下降。引入深度学习系统在一定程度内可以弥补因增大CS导致的信噪比减低和图像质量的下降，通过增大CS快速获取MR神经图像并结合深度学习模型增加图像质量减少扫描时间具有重要的临床价值。