来源：期刊VIP网 时间：
作者：张晏华;郁仁强;郁斌;吴治伟;赵春刚;万露;万承鑫;张志伟;
单位：达州市中心医院放射科;重庆医科大学附属第一医院放射科;重庆市红十字会医院(江北区人民医院)放射科;
摘要：目的 探讨基于深度学习重建算法（deep learning reconstruction, DLR）的扩散加权成像（diffusion weighted imaging,DWI）在颅脑MRI检查中的应用价值。材料与方法 回顾性分析40例颅内占位性病变患者的MRI影像学资料，比较激励次数（number of excitations, NEX）为2和1时常规重建（c2-DWI,c1-DWI）与DLR(DL2-DWI,DL1-DWI)4组图像的质量差异，比较灰质、白质的信噪比（signal-to-noise ratio, SNR）、对比噪声比（contrast-to-noise ratio, CNR），病灶区域及对侧正常区域的表观扩散系数（apparent diffusion coefficient, ADC）。由两位医师采用双盲法对整体图像质量、噪声水平和磁敏感伪影分别使用5分法评分。结果 DLR序列灰质和白质的SNR、CNR均高于常规重建序列，差异有统计学意义（P<0.001）;ADC值在病变区域及对侧正常区域差异无统计学意义（P>0.05）;DLR的整体图像质量和噪声水平评分均高于常规重建，差异有统计学意义（P<0.001）；磁敏感伪影差异无统计学意义（P>0.05）。结论 DLR可显著提升DWI图像SNR、CNR及主观评分，有效降低图像噪声，在NEX减半，缩短扫描时间的同时，虽对磁敏感伪影改善有限，但不影响ADC值的准确性。
关键词：扩散加权成像;;表观扩散系数;;激励次数;;深度学习重建;;颅内占位性病变;;磁共振成像
