基于深度学习的图像去噪可提高脑成像T2加权像(T2-weighted image, T2WI)的信噪比(Signal-to-Noise Ratio, SNR)

《Egyptian Journal of Radiology and Nuclear Medicine》：Deep learning-based image denoising can improve the signal-to-noise ratio of the T2-weighted image in brain imaging

　　

背景：深度学习(Deep Learning, DL)在磁共振成像(Magnetic Resonance Imaging, MRI)特别是神经影像分析中应用日益广泛，图像去噪是医学图像分析关键的预处理步骤。本前瞻性研究纳入28例行脑部MRI的患者，旨在探讨DL对脑成像T2加权像(T2WI)信噪比(SNR)的提升效果。结果：DL图像处理测得的SNR较原始图像统计学显著升高(p≤0.050)，SNR的提升归因于背景噪声(N)显著降低而图像信号(S)无显著改变，原始图像与DL图像SNR评估间存在统计学显著的的一致性与绝对一致性。结论：基于深度学习的去噪技术可通过使SNR值发生系统性偏移，显著提高T2加权MRI的图像质量。

论文解读：基于深度学习的图像去噪提高脑T2加权MRI信噪比的前瞻性研究

本研究发表于《Egyptian Journal of Radiology and Nuclear Medicine》。磁共振成像(Magnetic Resonance Imaging, MRI)中随机噪声会降低视觉质量并干扰定量成像分析，图像去噪是提升质量的关键预处理步骤。深度学习(Deep Learning, DL)依托卷积神经网络(Convolutional Neural Network, CNN)可抑制噪声并保留解剖结构，已在神经放射学广泛应用，但其在常规1.5 T脑部T2加权像(T2-weighted image, T2WI)上对信噪比(Signal-to-Noise Ratio, SNR)影响的量化验证尚不充分。为此，研究人员开展前瞻性观察性研究，在28例经1.5 T扫描的正常脑部MRI受检者中，对比原始重建图像与西门子Deep Resolve深度学习降噪重建(Deep Learning-based Reconstruction, DLR)后图像的灰质信号强度(Mean_GM)、背景空气噪声标准差(Standard Deviation_AN)及SNR值，验证DL去噪能否在保持信号不变前提下降低噪声从而提升SNR，并评估两组测量的一致性。

研究人员采用前瞻性观察性设计，经机构审查委员会批准(MS.21.11.1726)并获书面知情同意，2024年3月至12月招募行脑部MRI且证实无颅内病变的连续受试者，排除MRI禁忌证及幽闭恐惧症者。初始入组31例，3例因运动伪影剔除，最终28例(年龄8个月～69岁，均值28.2±19.5岁)。所有受检者使用Siemens 1.5 T MAGNETOM行轴位T2WI(平行前联合—后联合AC-PC线)，单次采集原始数据后，使用扫描仪内置T2WIDLR软件(Deep Resolve, Siemens)以固定中等降噪强度(Boost/Gain设为Medium)对原始数据进行回顾性DL重建。由盲法阅片者在灰质(Gray Matter, GM)勾画ROI(9300～9900 mm²，均数9500 mm²)测信号(S=Mean_GM)，在颅外背景空气区勾画两个ROI(70～80 mm²)测噪声(N=Standard Deviation_AN)，按Magnotta & Friedman 2006公式SNR＝Mean_GM／Standard Deviation_AN计算。采用Shapiro–Wilk检验正态性，配对t检验比较原始与DL组S、N、SNR，Pearson相关分析关联性，组内相关系数(Intraclass Correlation Coefficient, ICC)评估一致性，p≤0.050为差异有统计学意义。

患者特征(Patient characteristics)

最终纳入28例，男女均有，年龄正态分布(p=0.201)，儿科与成人基线SNR无显著差异，每例均产生原始与DL两组成像数据。

图像分析(Image analysis)

DL处理图像背景噪声(N，即Standard Deviation_AN)较原始图像显著降低(p≤0.050)，而灰质信号强度(S=Mean_GM)在原始与DL图像间无统计学显著差异(p＞0.050)。由于S基本不变、N显著降低，DL图像SNR(SNR＝Mean_GM／Standard Deviation_AN)较原始图像统计学显著升高(p≤0.050)，典型病例原始T2WI SNR由84.13～95.80提升至DL处理后232.80～262.93，提升幅度约213%～400%。原始与DL测量的S、N、SNR两两间Pearson相关系数均呈大强度正相关(r＞0.5, p≤0.050)。SNR的ICC显示一致性中等(ICC=0.599)但绝对一致性差(ICC=0.084，置信区间跨零)，符合DL去噪引入系统性偏移但保留样本相对排序的特征。

讨论(Discussion)

DL重建嵌入图像重建管线而非简单后处理滤波，通过训练网络抑制噪声同时保持解剖边缘与纹理，未引起信号人为放大或过度平滑("蜡样"伪影)。SNR提升源于真实噪声抑制致分母减小，非信号增益，故原始与DL重建SNR不可互换；纵向定量研究应全程统一重建算法以防系统偏差。本研究前瞻性设计并以ICC验证定量一致性，佐证了商用vendor-integrated DL重建(Deep Resolve)在1.5 T脑T2WI中可安全提升SNR且不损信号保真度，与Tajima等、Kidoh等及Kim等既往发现相符。局限性含单中心小样本、单人勾画ROI，未来需多中心大样本、多阅片者重复性检验及诊断效能验证。

结论(Conclusion)

本研究表明，基于深度学习的去噪技术——通过在保持图像信号(S)的同时显著降低噪声(N)，使信噪比(SNR＝Mean_GM／Standard Deviation_AN)产生系统性升高——可显著提升脑部T2加权MRI的图像质量，支持其在临床中实现更快或更低剂量扫描同时保持诊断准确度，并为深度学习在医学影像重建中的应用提供了量化依据。