来源：期刊VIP网 时间：
作者：李涛;殷硕;张玄霄;张惠茅;周宏伟;
单位：吉林大学第一医院放射科;
摘要：磁共振成像（magnetic resonance imaging, MRI）扫描时间长是其临床应用的主要瓶颈。传统压缩感知技术虽可加速采集，但在高加速因子下易产生伪影，且对复杂解剖结构的重建效果有限。人工智能辅助压缩感知（artificial intelligence-assisted compressed sensing, ACS）技术通过将深度学习（deep learning, DL）[如卷积神经网络（convolutional neural network, CNN）、生成对抗网络（generative adversarial networks, GANs）]与压缩感知原理在端到端框架中融合，实现了显著加速（通常>2倍）并致力于保留诊断特征，为突破上述瓶颈提供了有前景的解决方案。然而，ACS技术当前面临关键挑战，包括缺乏标准化的加速因子、算法对不同解剖部位和病变异质性的泛化能力不足，以及对细微病变（如微小转移淋巴结）诊断效能的验证尚不充分。此外，既往综述多聚焦于单一系统或纯技术层面，缺乏对ACS技术在全身多器官临床应用效果的系统评价。本综述旨在系统梳理ACS技术的原理演进与MRI临床研究进展，重点评述其在头颈、骨关节、心胸、腹部及盆腔等多系统成像中的优势、局限性与现存挑战，以期为优化ACS的临床应用提供依据，并为未来研究方向提供指引，推动MRI向更精准、高效、智能化的方向发展。
关键词：人工智能;;压缩感知;;磁共振成像;;脑血管疾病;;骨关节疾病;;冠状动脉疾病;;腹部疾病;;子宫相关病变
基金资助：吉林省科技发展计划项目(编号:YDZJ202402029CXJD);; 吉林省医疗卫生人才专项(编号:JLSRCZX2025-010)~~
