深度學習在踝關節軟骨MRIBLADE序列成像中的應用

[Abstract]Objective：Tocomparetheaplicationofarificialintellgencedeplearning bythesuperresolutionenhancement（SRE） algorithmandthedenoising enhancement（DNE）algorithmonanklecartilageMRIbyusing BLADEsequence.Methods： 15patientswithanklecartilageinjury（patientgroup）and15volunters（controlgroup）wereenrolld.Twogroupswerefirst approved forwaterfilmimaging byMRI，andthen twodiferentK-space BLADEsequencesimaging wereperformed（with coverage rates of 50.5% and 100 % ，respectively）.All MRI images were deeply learned by SRE algorithm and DNE algorithms. SNRvalues betweentwokindsof BLADEsequences waterfilmimagingand SRE，DNEimageswerecompared.Theankle cartilage SNRandCNR（cartilage/subchondralbone，cartilage/synovialfluid）betweentwokindsofBLADEsequencesandSRE， DNEwerecomparedinthecontrolgroup werecompared.Theimagingqualitysubjectivescoresconductedby2radiologists between twokindsofBLADEsequencesandSRE，DNEafterdeeplearning inpatient groupwerecompared，includingthe detailsofnon-injuredcartilage，diagnosticvalueforcartilageinjury，noiseandartifacts.Results：Thescantimeof BLADE-50.5%sequence wasonly51.25%of thatof BLADE-100%sequence.In waterfilmimages，SNRvalues of BLADE-50.5% andBLADE-100%imageswere38.37（23.02，53.06），54.91（45.18，60.47）.Afterdep learning，SNRvaluesof BLADE-50.5%-RE andBLADE-50.5%-DNEimageswere54.60（25.10，74.54），61.26（26.75，84.94），respectively，withnostatisticaldirencs compared with BLADE- 100% water film images（both Pgt;0.05 ）.Among the six images in the control group，the difference inthe cartilage SNR was statistically significant（ Plt;0.001 ），and pairwise comparisons showed that the diferences between

thetwo original images and the BLADE-50.5%-SRE， BLADE-100%-SRE，BLADE-10O%-DNE images were all statistically significant （all P lt;0.05）.The differencein the cartilage/subchondral bone CNR in the six images ofthe control group wasstatisticallysignificant（ Plt;0.001 ），and pairwise comparisons showed that the differences between

the two original images and the BLADE- 50.5% -SRE，BLADE-10O%-SRE，BLADE- 100% -DNEimages were all statistically significant（all Plt;0.05 ）.The differences in the cartilage/synovial fluid CNR in the six images of the control group was statistically significant （ P lt;0.001），and pairwise comparisons showed that the differences between the two original images and the four images after deep learning were statistically significant （all Plt;0.05 ）. In the patient group，the subjective scores of SREandDNEimagesafterdeeplearning wereallhigherthantheiroriginalimagesinthreeaspects，thethre-layerstructure ofnon-injuredcartlageregion，thediagnosticcharacteristicsofinjuredcartilageregion，thenoiseandmotionartifacts（all Plt; 0.05），and the BLADE- 100% -SREimages had the highest scores，followed by BLADE-50.5%-SRE images.Conclusions： Deplearningcanhelptoobtainanklecartilageimageswithbeterquality，SREhashigherSNRandCNRandthebest performance in the subjective judgment of ankle cartilage injury.

[Key words] Magnetic resonance imaging;Deep learning;Ankle;BLADE sequences;Osteochondral lesion

踝軟骨損傷尤其是距骨軟骨損傷在運動損傷中較常見，但臨床上因疼痛就診的患者損傷軟骨多已進展較明顯，部分損傷已達終末期，錯失了最佳治療時機。及早發現并及時干預是防治踝距骨軟骨損傷瀑布式進展為終末期骨性關節炎的關鍵[1]。MRI在踝關節軟骨疾病的診斷評估應用廣泛，但常規掃描對軟骨損傷不敏感、易漏診。調整掃描參數會延長掃描時間，患者難以耐受而增加運動偽影導致檢查效率降低[2]。SiemensMRI的刀鋒（BLADE）序列，由于K空間中心的數據多次重疊填充可提高軟骨解剖結構對比，能更精準地識別軟骨不同程度的損傷特征[3]。深度學習技術可進一步緩解成像質量與掃描時間的矛盾[4]。本研究采用人工智能超分辨增強（super-resolution enhancement，SRE）算法和去噪增強（denoising enhancement，DNE）算法比較踝距骨軟骨BLADE序列的圖像質量，評估深度學習技術在降低踝距骨軟骨MRI掃描時間和優化圖像質量方面的價值。

1資料與方法

1.1一般資料

前瞻性收集2022年11月至2023年1月在我院行MRI檢查的疑似踝距骨軟骨損傷患者。納入標準：① 踝關節疼痛不適，X線片未見距骨骨折征象； ② 臨床診斷存在單側距骨軟骨損傷； ③ 行MRI小視野BLADE序列葉片覆蓋范圍 50.5% 和 100% （BLADE- 50.5% BLADE- 100% 成像。排除標準：踝關節MRI圖像定位不符合要求、明顯偏移或偽影嚴重，無法完成軟骨測量和主觀評價。最終納人單側踝關節損傷患者15例（患者組），男9例，女6例；年齡 24～61 歲，平均 35.82±14.73） 歲。同期收集健康志愿者15例（對照組），男7例，女8例，平均 （28.00±7.45） 歲，均無踝關節退變、外傷和外科手術病史。本研究經醫院倫理委員會批準（批號：K-2022-173），所有受試者均簽署知情同意書。

1.2儀器與方法

采用Siemens Skyra 3.0T MRI掃描儀，踝關節16通道相控陣專用線圈。先完成MRI校準水模成像。再將受檢踝關節固定于線圈內，取仰臥位、足先進。水模和受試者均行FSE-PD的BLADE序列成像，踝軟骨MRI斜冠狀位掃描均沿距骨內外踝方向定位。FSE-PD-BLADE序列采用脂肪飽和法進行脂肪抑制，掃描參數：TR 3000ms ，TE 49ms ，視野100mm×100mm ，矩陣 320×320 ，分辨率 0.3mm× 0.3mm×2.0mm ，BLADE- .50.5% （53個葉片）/BLADE-100% （105個葉片），填充軌跡為BLADE。

1.3 深度學習

深度學習均在SubtleMRI上完成。對BLADE-50.5% 和BLADE- 100% 圖像分別行SRE和DNE的深度學習，最終獲得BLADE- 50.5% 的原始圖像、BLADE-50.5% -SRE、BLADE- 50.5% -DNE，以及BLADE- 100% 的原始圖像、BLADE- 100% -SRE、BLADE- 100% -DNE6種圖像。

1.4 圖像客觀評價

在Siemenssyngo.via工作站行圖像后處理。由1位具有16年工作經驗的影像技師對水模和對照組圖像進行客觀評定。

1.4.1水模圖像測量測量水模圖像信號強度和背景噪聲，選取15層水模進行測量，取各層平均值為最終結果。相同位置層面對應6種圖像間的橫向測量需保持同時同步同視野。計算SNR，公式：S ΔNR=SI_w/SD 其中 SI_w 為水模信號強度，SD為背景噪聲標準差。1.4.2對照組軟骨測量在6種MRI圖像相同層面且對應位置的軟骨組織部位，測量距骨穹頂處軟骨信號強度、軟骨下骨信號強度、踝關節滑液信號強度、背景噪聲標準差。對軟骨MRI圖像行5倍放大后在距骨穹頂內外側1/3邊緣范圍內勾畫測量區域并確保至少包括20個及以上像素，同法分別測量軟骨下骨和滑液信號強度。計算距骨軟骨SNR和CNR，公式： SNR=SI_c/SD ，其中SI為距骨軟骨信號強度；CNR=1SI_c-SI_b1/SD，SI_D 為踝關節軟骨下骨或滑液組織信號強度。

1.5 圖像主觀評價

由2位具有10年以上MRI診斷經驗的醫師共同采用盲法進行圖像評分，意見不一致時請另一位高年資醫師協商得出最終意見。依據踝距骨軟骨損傷分級特征進行主觀評定[5-7]： ① 非損傷軟骨區域解剖結構細節可見度（正常軟骨呈低-高-低3層）。1分，無法區分3層結構；2分，3層結構可見度較差；3分，3層結構可見度良好；4分，3層結構可見度高。 ② 損傷軟骨區域診斷特征（損傷軟骨定位及定性判斷，包括軟骨表面輪廓有無水腫增厚及斷裂，與軟骨下骨剝離與否，軟骨下骨有無骨質塌陷或囊變）。1分，無法定位定性及診斷；2分，診斷特征有限；3分，滿足診斷要求；4分，優異的診斷圖像。 ③ 圖像噪聲及運動偽影大小。1分，噪聲、運動偽影大；2分，噪聲、運動偽影明顯；3分，噪聲、運動偽影較小；4分，無噪聲及運動偽影。比較2種掃描原始圖像和對應4種深度學習圖像在顯示損傷軟骨細節特征方面是否存在差異， ?3 分滿足診斷要求。2周后由其中1位醫師復審以消除觀察者偏差。

1.6統計學分析

采用SPSS24.0軟件進行圖像分析。計數資料以頻數表示。采用Shapiro-Wilk法行正態性檢驗，不符合正態分布的計量資料以 M（Q_L，Q_U） 表示，總體比較均行Friedman檢驗。對水模成像與對照組軟骨成像分別對應的6種圖像兩兩比較行校正后的Bonferroni檢驗，患者組圖像主觀評分兩兩比較行配對樣本Wilcoxon秩和檢驗。以 Plt;0.05 為差異有統計學意義。

2結果

2.1客觀評價結果

BLADE- ?50.5%（2min 44s） 掃描用時僅為BLADE-100%（5min20s） 的 51.25% 。

水模的6種圖像行Friedman檢驗，差異有統計學意義（ Plt;0.001 ）。兩兩比較，BLADE- 50.5% 原始圖像與BLADE- 50.5% -DNE、BLADE- 100% -SRE、BLADE-100% -DNE圖像的SNR比較，差異均有統計學意義（均 Plt;0.05 ;BLADE- 50.5% -SRE及BLADE- 50.5% LDNE圖像分別與BLADE- 100% 原始圖像及其深度學習后圖像的SNR差異均無統計學意義（均 Pgt; 0.05）（表1，圖1）。

對照組6種圖像 的差異有統計學意義（ Plt;0.001 ）；兩兩比較，2種原始圖像與BLADE-50.5% -SRE、BLADE- 100% -SRE、BLADE- 100% -DNE圖像間 SNR_#（*#） 的差異均有統計學意義（均 Plt; 0.05）（表1）。

對照組6種圖像 CNR 軟骨/軟骨下骨的差異有統計學意義（ Plt;0.001 ）；兩兩比較，2種原始圖像與BLADE-50.5% -SRE、BLADE- 100% -SRE、BLADE- 100% -DNE圖像間 CNR 軟骨/軟骨下骨的差異均有統計學意義（均 Plt; 0.05）（表1）。對照組6種圖像CNR軟骨/滑液的差異有統計學意義（ Plt;0.001 ；兩兩比較，2種原始圖像與深度學習后4種圖像間的差異均有統計學意義（均 Plt;0.05 ）。

表1水模及對照組不同算法BLADE序列圖像質量客觀評價比較[分 ?_M（Q_L，Q_v）]

注：與BLADE- .50.5% 原始圖像比較， Plt;0.05 ;?與BLADE- 100% 原始圖像比較， Plt;0.05 。

2.2 主觀評價結果

患者組6種圖像在非損傷軟骨區域3層結構、損傷軟骨區域診斷特征、噪聲及運動偽影3個方面的主觀評分差異均有統計學意義（均 Plt;0.001 ）；經SRE、DNE深度學習后的圖像主觀評分均高于原始影像（均 Plt;0.05 ，以BLADE- 100% -SRE評分最高，BLADE- 50.5% -SRE次之（表2；圖2，3）。

3討論

近年來，基于卷積神經網絡模型（convolutionalneural network，CNN）[8-9]的深度學習重建技術，在圖像的重建與降噪方面取得了長足發展。本研究主要方低信號的鈣化軟骨層輕度塌陷（↑），及軟骨下骨的高信號水腫等診斷特征的對比顯示SRE學習后影像均最具優勢分析2種不同深度學習算法在踝關節軟骨MRIBLADE序列成像中的應用。

表2患者組不同算法BLADE序列圖像質量主觀評價比較[分 ??M（Q_L，Q_U） 1

注：與BLADE- .50.5% 原始圖像比較， ?Plt;0.05 ;?與BLADE- 100% 原始圖像比較， Plt;0.05 。

圖1水模的BLADE序列及深度學習圖像注：圖1a為BLADE- 50.5% 的原始圖像，圖1b為圖1a的超分辨增強（SRE）深度學習后圖像，圖1c為圖1a的去噪增強（DNE）深度學習后圖像；圖1d為BLADE- 100% 的原始圖像，圖1e為圖1d的SRE深度學習后圖像，圖1f為圖1d的DNE深度學習后圖像

圖2距骨軟骨裂痕損傷的BLADE序列及深度學習圖像注：患者，男，41歲，既往有踝扭傷史，1個月前再次扭傷，體格檢查距骨內穹頂壓痛。圖2a為BLADE- 50.5% 的原始圖像，圖2b為圖2a的SRE深度學習后圖像，圖2c為圖2a的DNE深度學習后圖像；圖2d為BLADE- 100% 的原始圖像，圖2e為圖2d的SRE深度學習后圖像，圖2f為圖2d的DNE深度學習后圖像。深度學習后影像均比對應的原始影像噪聲更少，且踝軟骨顯示更高亮、邊緣更銳利，圖像質量尤以SRE學習后的圖2e最優，圖2b其次。在對正常區域軟骨3層形態，損傷軟骨裂痕及裂痕處下

圖3距骨軟骨碎裂損傷的BLADE序列及深度學習圖像注：患者，男，62歲，右踝扭傷后踝部水腫。圖3a為BLADE .50.5% 的原始圖像，圖3b為圖3a的SRE深度學習后圖像，圖3c為圖3a的DNE深度學習后圖像；圖3d為BLADE- 100% 的原始圖像，圖3e為圖3d的SRE深度學習后圖像，圖3f為圖3d的DNE深度學習后圖像。深度學習后影像均比原始影像噪聲更少，軟骨顯示更高亮、邊緣更清晰銳利，圖像質量評分以SRE的圖3e最優，圖3b其次。尤其對于損傷處軟骨，SRE更加清晰地顯示軟骨失去正常3層結構，且損傷處軟骨碎裂、信號高低混雜伴下方鈣化軟骨層骨折移位低信號連續性中斷，軟骨下骨明顯水腫伴輕微囊變（↑）

由于常規MRI對踝關節軟骨損傷顯示不理想，越來越多的高分辨成像掃描方法被應用于臨床[5-6，10-11]。為獲得高質量的踝關節軟骨MRI圖像，臨床實踐中常通過增加重復次數和掃描像素矩陣，提高SNR和分辨率，但這樣會明顯延長掃描時間，增大圖像噪聲。BLADE序列通常系統默認成像參數BLADE覆蓋率，可從 50.5%～100% （上限 800% ）任意設置不同程度的壓縮成像時間，BLADE- 100% 掃描時間 BLADE- 50.5% 成像時間 2min 44s. ，僅為BLADE-100% 的 51.25% 。本研究中，在水模成像和對照組軟骨成像BLADE- 50.5% 2種深度學習后圖像的SNR和CNR測量值均高于BLADE- 100% 原始圖像；對照組均以SRE深度學習后的圖像最優，BLADE- .50.5% -SRE的SNR和CNR與BLADE 100% 原始圖像間兩兩比較差異均有統計學意義；BLADE- 100% 2種深度學習后同樣獲得更高的SNR和CNR，且對照組以BLADE-100% -SRE圖像測量值最優，對照組BLADE- 100% 2種深度學習后圖像與BLADE- 50.5% BLADE- 100% 原始圖像分別兩兩比較差異均有統計學意義。踝軟骨損傷圖像主觀評價結果示患者組經SRE和DNE深度學習后圖像均優于2種原始圖像，且兩兩比較差異均有統計學意義。可見，SRE和DNE2種深度學習算法均能不同程度的提高踝關節軟骨損傷的MRI圖像質量。本研究加速成像時間約 50% 的表現與同類研究[12-14]相似，且深度學習對原始BLADE- 100% 序列圖像能進一步提高SNR和CNR。

本研究存在的不足： ① 樣本量相對較小，需擴大樣本進一步研究； ② 僅從應用層面探討不同深度學習方法對踝關節軟骨成像的作用，未深入探討算法本身原理； ③ 僅探討了BLADE- 50.5% 和BLADE- 100% 而未對其他不同百分比參數進行研究。

綜上所述，在踝關節軟骨MRIBLADE成像中應用SRE和DNE深度學習可獲得SNR和CNR更高的軟骨圖像且以SRE最優。深度學習能在保證圖像質量的同時減少約 50% 的掃描時間，也可在不減少掃描時間的情況下獲得更優的圖像質量，因此可在臨床實踐中靈活選擇應用SRE和DNE。

[參考文獻]

[1]DAHMEN J，KARLSSON J，STUFKENS S A S，et al. Theankle cartilage cascade：incremental cartilage damage in the ankle joint[J].Knee Surg Sports Traumatol Arthrosc，2021，29（11）：3503-3507.

[2]REETH E V，THAM I，TAN C H，et al. Super-resolution in magnetic resonance imaging：a review[J]. Concept Magn Reson A，2012，40（6）：306-325.

[3]SUN Y，HAO Y F，HU D，et al. Magnetic resonance imagingof osteochondral lesions of the talus：comparison between small fov surface coil with blade and bootshape coil without blade[J].IJRadiol，2019，16（4）： e80319.

[4]GARVEYKV，THOMASCKJ，RUSSELL R，etal.Considering clinician competencies for the implementation ofartificial intelligence-based tools in health care：findingsfrom a scoping review[J].JMIR Med Inform，2022， 10（11） ：e37478.

[5]孫巖，沈均康，郝躍峰，等．磁共振小視野表面線圈在距 骨軟骨損傷成像中的應用[J]．中國醫學影像技術，2017， 33（3）：454-457.

[6]GRIFFITH JF，LAU D T，YEUNG D K，et al.Highresolution MR imaging of talar osteochondral lesions withnew classification[J].Skeletal Radiol，2012，41（4）： 387-399.

[7]ANTONIO G E，GRIFFITHJF，YEUNG D K.Smallfield-of-view MRI ofthe knee and ankle[J].AJR Am J Roentgenol，2004，183（1）：24-28.

[8]OGAWA R，KIDO T，NAKAMURA M，et al.Reconstruction ofcardiovascular black-blood T2-weighted imageby deep learning algorithm：a comparison with intensity filter[J]．Acta Radiol Open，2021，10（9） ：2058460121104 4779.

[9]SREEKUMARI A，SHANBHAG D，YEO D，et al.A deep learning-based approach to reduce rescan and recall rates in clinical MRI examinations[J].AJNR Am J Neuroradiol，2019，40（2）：217-223.

[10]孫巖，鄒月芬，郝躍峰，等．磁共振BLADE序列與小 FOV表面線圈在距骨軟骨成像中的應用[J].臨床放射 學雜志，2020，39（3）：560-565.

[11］孫巖，鄒月芬，郝躍峰，等．踝關節牽引狀態下小視野線 圈BLADE序列對距骨軟骨損傷的MRI研究［J].中華放 射學雜志，2021，55（5）：528-533.

[12]MANI A，SANTINI T，PUPPALA R，et al. Applying deep learning to accelerated clinical brain magnetic resonance imaging for multiple sclerosis[J].Front Neurol，2021，12：685276.

[13]BASH S，WANG L，AIRRIESS C，et al. Deep learning enables 60% accelerated volumetric brain MRI while preserving quantitative performance：a prospective，multicenter，multireader trial[J].AJNR Am JNeuroradiol， 2021，42（12）：2130-2137.

[14]BASH S，JOHNSON B，GIBBS W，et al. Deep learning image processing enables 4O% faster spinal MR scans which match or exceed quality of standard of care ：a prospective multicenter multireader study[J].Clin Neuroradiol，2022，32（1）：197-203.

（收稿日期 2024-08-29）