分享:
分享到微信朋友圈
X
技术研究
深度学习重建算法在磁共振颅脑增强中减少钆喷酸葡胺使用剂量的有效性研究
梁丹 张默 马素文 卢洁

Cite this article as: LIANG D, ZHANG M, MA S W, et al. Investigating the feasibility of reducing the usage of Gd-DTPA in MRI brain enhancement by improving the quality of acquired image through DL-Recon[J]. Chin J Magn Reson Imaging, 2023, 14(11): 136-141.本文引用格式:梁丹, 张默, 马素文, 等. 深度学习重建算法在磁共振颅脑增强中减少钆喷酸葡胺使用剂量的有效性研究[J]. 磁共振成像, 2023, 14(11): 136-141. DOI:10.12015/issn.1674-8034.2023.11.022.


[摘要] 目的 探讨通过应用深度学习重建(deep learning reconstruction, DL-Recon)算法提高颅脑MRI图像质量,实现在MRI临床实践中减少对比剂——钆喷酸葡胺(Gd-diethylenetriamine pentametric acid, Gd-DTPA)使用剂量的可行性。材料与方法 收集2022年8月1日至2022年9月30日于我院放射科进行头部MRI增强扫描的60例患者。采用随机对照法,按照是否降低Gd-DTPA注射量平均分为正常药量组和降低药量组,并对两组患者分别使用常规重建方法和基于DL-Recon技术获取相应的T1WI图像。由两名医师在双盲条件下圈定感兴趣区进行信噪比(signal-to-noise ratio, SNR)及对比噪声比(contrast-to-noise ratio, CNR)分析,并对图像质量、伪影、均匀度及增强效果进行主观和客观评价,主观评价应用LIKERT五分制法,客观评价中通过分别计算图像背景以及额上回(superior frontal gyrus, SFG)、蛛网膜下腔(subarachnoid space, SAS)和红核(red nucleus, RN)的SNR对图像对比度进行评价。结果 Gd-DTPA正常药量组中,相较于采用常规重建方法获得的图像,应用DL-Recon方法获取的图像在图像质量上显著升高(SNRSFG升高48.9%,CNRSFG提高91.5%);DL-Recon获取的图像伪影和图像整体质量得分均显著高于常规重建的图像(P<0.05)。降低药量组中,通过DL-Recon获取的图像与正常药量组的常规重建图像增强效果差异无统计学意义(P>0.05)。结论 基于DL-Recon算法的MRI具备在保证图像质量的前提下降低Gd-DTPA注射量的应用能力。
[Abstract] Objective To investigate the feasibility of reducing the effect of Gd-diethylenetriamine pentametric acid (Gd-DTPA) dose on image quality in MRI brain enhancement by improving the acquired image through deep learning reconstruction (DL-Recon) algorithm.Materials and Methods The patients were divided equally into two groups, the normal dose group and the reduced dose group, and the corresponding T1WI were acquired using conventional reconstruction methods and DL-Recon techniques for the two groups. The region of interest was determined for signal-to-noise ratio (SNR) and contrast-to-noise ratio (CNR) analysis under double-blind conditions by two associate chief, and subjective and objective evaluation of image quality, artefacts, homogeneity and enhancement effects were performed, with the subjective evaluation method based on the LIKERT guideline. The objective evaluation was performed by calculating the SNR of the image background, the superior frontal gyrus (SFG), the subarachnoid space (SAS) and the red nucleus (RN), respectively. The SNR was evaluated for image contrast.Results The image quality obtained using DL-Recon was significantly increased (SNRSFG increased by 48.9%, CNRSFG increased by 91.5%) compared with that of conventional reconstruction method after injection of normal dose, and there was no significant correlation with the injection dose of Gd-DTPA. The artifacts and overall quality scores of DL-Recon were significantly higher than those of conventional images (P<0.05). There was no significant difference in the enhancement effect of DL-Recon image + reduced dose group compared with that of conventional reconstruction in the normal injection dose group (P>0.05).Conclusions MRI DL-Recon algorithm has the ability to reduce the injection amount of Gd-DTPA on the premise of ensuring image quality.
[关键词] 颅内肿瘤;钆喷酸葡胺;低剂量;深度学习重建算法;图像质量;磁共振成像
[Keywords] intracranial tumours;Gd-diethylenetriamine pentametric acid;lower dose;deep learning reconstruction gadolinium;magnetic resonance imaging

梁丹 1   张默 1, 2   马素文 1   卢洁 1, 2*  

1 首都医科大学宣武医院放射与核医学科,北京 100053

2 磁共振成像脑信息学北京市重点实验室,北京 100053

通信作者:卢洁,E-mail:imaginglu@hotmail.com

作者贡献声明:卢洁负责对研究内容进行设计,并对稿件进行结构和内容设计,提供沟通及协调帮助;梁丹参与选题和设计,负责试验资料的查找和收集,为资料分析与解释的主要执行人,完成稿件撰写和修改;张默和马素文参与样本的收集与质控,并对样品信息进行记录,对资料的分析与解释,并对稿件重要内容进行了修改。卢洁获得了汇智人才工程-支持计划-领军人才项目资助。全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 汇智人才工程-支持计划-领军人才项目 HZ2021ZCLJ005
收稿日期:2022-10-21
接受日期:2023-09-06
中图分类号:R445.2  R739.41 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2023.11.022
本文引用格式:梁丹, 张默, 马素文, 等. 深度学习重建算法在磁共振颅脑增强中减少钆喷酸葡胺使用剂量的有效性研究[J]. 磁共振成像, 2023, 14(11): 136-141. DOI:10.12015/issn.1674-8034.2023.11.022.

0 前言

       MRI具有成像参数多、分辨率高和人体无害等优点,现阶段被广泛应用于肿瘤、脑血管疾病等和运动医学相关的诊断与筛查[1]。在临床工作中,受限于血管搏动等问题,MRI最终生成的图像不可避免地产生伪影,影响后续的图像处理和疾病诊断。因此提高图像的信噪比(signal-to-noise ratio, SNR),缩小伪影面积,减少伪影干扰,提升图像质量对疾病和诊断过程至关重要[2]

       钆喷酸葡胺(Gd-diethylenetriamine pentametric acid, Gd-DTPA)是一种顺磁性对比剂,广泛应用于颅脑MRI,以辅助完成脑膜瘤、神经鞘瘤、神经胶质瘤等疾病的诊断[3]。然而,Gd-DTPA注射存在发生药物不良反应的风险,如在0.1~0.2 mmol/kg注射量下,其发生率可能超过1%[4, 5]。其中最常见的药物不良反应是过敏,严重时可造成休克和死亡[6]。除患者自身的机体状态和免疫功能外,给药方法、给药剂量也与过敏反应密切相关[7]。因此,在保证图像质量的基础上,降低Gd-DTPA注射量可有效降低药物不良反应发生率,保障患者安全[8]。然而,药物剂量与诊断准确性具有一定的相关性。如何有效平衡药物不良反应发生风险与图像质量和诊断需求之间的矛盾是放射科研究的重点问题。

       深度学习重建(deep learning reconstruction, DL-Recon)技术是基于大数据和卷积神经网络的MRI重建技术,可有效提高图像SNR,减少伪影[9]。DL-Recon技术是由监督学习方法训练的深度卷积网络组成,训练图像数据库涵盖广泛的图像数据,使神经网络模型在所有解剖结构上具有适用性。训练数据集包含超过10 000张图像,经过图像增强(旋转和翻转,等)后产生400万张图像及其增强相应的增强图像,以增加模型的鲁棒性。因此,模型的训练数据并不依赖于用户实际扫描的图片。使用ADAM优化器对模型进行优化,使预测图像和真实图像之间的损失达到最小。此外,DL-Recon是基于残差编码器对图像进行降噪,可使图像更加自然,可观性更强[9]。由于其对图像处理的优势,目前已经应用在临床冠状动脉造影、膝盖、骨盆和大脑成像中。但目前关于阐述基于DL-Recon下降低Gd-DTPA注射量对图像质量的影响及减少临床不良反应发生风险可行性的研究较少。

       本研究旨在通过比较基于DL-Recon在颅脑MRI增强扫描中应用不同Gd-DTPA剂量对图像质量的影响,探究DL-Recon技术在保证图像质量的前提下降低Gd-DTPA注射量的可行性。本研究的结果可为临床颅脑MRI提供新的图像处理方法,并在临床过程中减少对比剂的使用,从而减少由于高剂量对比剂的使用造成的药物不良反应发生率。

1 材料与方法

1.1 一般资料

       本研究遵守《赫尔辛基宣言》,与患者进行充分沟通,经患者本人知情同意并签署知情同意书后开展,所有内容均经本院伦理部批准,批准文号:临研审[2022]045号。前瞻性选择2022年8月1日至2022年9月30日于本院放射科进行颅脑MRI增强检查的65例患者作为研究对象。纳入标准:(1)无MRI扫描禁忌证,如幽闭恐惧症、体内嵌入铁磁性金属等[10];(2)需进行Gd-DTPA静脉注射辅助成像;(3)无颅内手术或头颅外伤史;(4)无重度肾脏功能障碍。排除标准:扫描过程出现躁动或图像运动伪影。最终共纳入60例患者,其中男31例,女29例,年龄为36~77(56.8±9.4)岁,体质量为47.9~90.3(68.2±17.1)kg。采用随机对照法,按照是否降低Gd-DTPA注射量平均分为正常药量组和降低药量组。

1.2 Gd-DTPA静脉注射

       Gd-DTPA购于Schering AG公司(德国),按照体质量比,正常药量组注射量为0.20 mL/kg;降低药量组剂量为0.15 mL/kg。给药方式为静脉注射,注射前询问患者有无过敏史以及慢性病史,同时做好患者的心理护理,消除患者紧张情绪[11]。注射后观察患者状态,如是否出现皮肤红疹、头晕、呼吸急促等。异常状况及时汇报医师,协同处理[12]

1.3 MRI及重建

       本研究所有图像均使用本院3.0 T超导MRI仪(SIGNA Premier 3.0 T, GE Healthcare, Milwaukee, USA)扫描获得,并利用48通道头颅专用线圈(GE Healthcare, USA)。Gd-DTPA静脉注射5 min后进行常规T1矢状位及轴位图像扫描,扫描完成后立即扫描带有DL-Recon技术的T1矢状位及轴位图像,扫描完成后自动生成DL-Recon T1矢状位及轴位像,序列参数设置见表1。本研究的目的为对比减少对比剂使用量的情况下,使用DL-Recon处理的图像是否可以达到或优于注射正常药量时使用传统处理方法获得的图像质量,因此仅使用2D快速自旋回波(fast spin echo, FSE)T1WI对该方法的可行性和有效性进行说明。

表1  序列扫描参数设置信息
Tab. 1  The parameters in sequence scan

1.4 图像数据分析

       主观评价:由两名具有10年一线颅脑MRI诊断经验的副主任医师对图像质量进行评价。图像均作匿名化处理,且两名医师评价彼此独立互不影响。评价方法为LIKERT五分制法[13](1分:极差;2分:差;3分:一般;4分:好;5分:优秀),评价指标包括图像整体质量、均匀度、伪影及增强效果。

       客观评价:完成主观评价后,由上述两名医师对图像进行标记,圈定感兴趣区(region of interest, ROI)。在本研究中ROI的选取主要考虑:(1)包括图像边缘和居中部位;(2)满足特定区域与周边组织图像质量的对比。因此,研究中ROI选定区域为图像背景、额上回(superior frontal gyrus, SFG)、蛛网膜下腔(subarachnoid space, SAS)和红核(red nucleus, RN)[14]。在获取扫描图像后分别计算图像背景、SFG及RN区域的SNR和上述区域与周边组织的对比噪声比(contrast-to-noise ratio, CNR),计算公式为式(1)~(4)。

       其中,SI指信号强度,SDnoise用相应层面图像背景噪声信号强度的标准差表示[15, 16]

1.5 统计学分析

       使用SPSS 21.0软件进行统计分析。单变量K-S检验用于正态性检验。满足正态分布的数据以均数±标准差的形式表示,组间差异采用方差分析进行检验;不满足正态分布的数据以四分位数的形式表示,组间差异采用秩和Mann-Whitney U检验分析。两名医师的主观评分一致性使用Kappa检验[17]P<0.05时差异具有统计学意义。

2 结果

2.1 描述性分析

       本研究最终共纳入60例颅脑MRI增强扫描患者,正常药量组及降低药量组各30例[18]。进一步根据患者Gd-DTPA是否减量及图像是否进行DL-Recon分为四组(图1):常规重建T1WI下Gd-DTPA正常剂量注射(常规图像+正常药量);常规重建T1WI下Gd-DTPA减量注射(常规图像+降低药量);DL-Recon T1WI下Gd-DTPA正常剂量注射(DL图像+正常药量);DL-Recon T1WI下Gd-DTPA减量注射(DL图像+降低药量),分别对四组图像进行主观评价及客观评价。正常药量及降低药量两组患者间年龄、性别、体质量异均无统计学意义(P>0.05,表2)。

图1  感兴趣区(ROI)的选定(1A)和患者分组流程(1B)。ROI-1、ROI-2和ROI-3分别为圈定的ROI;DL图像为深度学习模型重建的图像。
Fig. 1  The region of interest (ROI, 1A) and patient grouping process (1B) in current study. ROI-1, ROI-2 and ROI-3 are the circled regions of interest, respectively; DL image is the images processed by the deep learning model.
表2  患者基本临床信息
Tab. 2  Basic clinical information of patients

2.2 客观评价结果

       相较于常规图像+正常药量组,使用DL-Recon重建的图像中两个ROI区的SNR和CNR较常规图像上升,图像质量提高(P<0.05)。使用DL-Recon重建的图像中,正常药量组和降低药量组间SNR及CNR差异无统计学意义(P>0.05)(表3图2)。

图2  正常药量组与降低药量组主观评价和客观评价结果差异。DL图像为深度学习模型重建的图像;SNR:信噪比;SFG:额上回;SAS:蛛网膜下腔;CNR:对比噪声比。
Fig. 2  The results of objective analysis and subjective analysis in four-group images. DL image is the images processed by the deep learning model. SNR: signal-to-noise ratio; SFG: superior frontal gyrus; SAS: subarachnoid space; CNR: contrast-to-noise ratio.
表3  图像客观评价结果
Tab. 3  Results of objective image evaluation

2.3 主观评价结果

       两名观察者对图像的均匀度(Kappa=0.799, P<0.001)、伪影(Kappa=0.580, P<0.001)、整体质量(Kappa=0.847, P<0.001)及增强效果(Kappa=0.784, P<0.001)的主观评价一致性较强。在四组图像的主观评价得分中,图像均匀度得分四组间差异无统计学意义(P>0.05),具体见表4。伪影和图像整体质量得分各组间差异显著:DL图像+正常药量组及DL图像+降低药量组显著高于常规图像+正常药量组,差异具有统计学意义(P<0.05);常规图像+降低药量组相较于常规图像+正常药量组,其增强效果差(P<0.05);DL图像+降低药量组相较于常规图像+正常药量组,差异无统计学意义(P>0.05),具体见图34

图3  男,65岁,无病灶患者颅脑MRI增强扫描图像,采用0.20 mL/kg剂量的钆喷酸葡胺进行T1增强扫描;3A、3B分别是常规重建获得的轴位及矢状位图像;3C、3D分别是经深度学习重建技术生成的轴位及矢状位图像。
Fig. 3  The brain image of enhanced T1 MRI from a 65-year-old patient without lesions, in which the injection dose of Gd-DTPA is 0.20 mL/kg. 3A and 3B are the axial and sagittal images obtained using conventional reconstruction, respectively; 3C and 3D show the axial and sagittal images generated by deep learning reconstruction technology, respectively.
图4  女,40岁,有病灶脑膜瘤患者颅脑MRI增强扫描图像,采用0.15 mL/kg剂量的钆喷酸葡胺进行T1增强扫描。4A、4B分别是常规重建方法获得的轴位及矢状图像;4C、4D分别是经深度学习重建技术生成的轴位及矢状图像。颅脑右侧顶部可见一脑膜瘤。
Fig. 4  The brain image of enhanced T1 MRI from a 40-year-old patient with focal meningiomas, in which the injection dose of Gd-DTPA is 0.15 mL/kg. 4A and 4B are the axial and sagittal images obtained using conventional reconstruction, respectively; 4C and 4D show the axial and sagittal images generated by deep learning reconstruction technology, respectively.
表4  图像主观评价结果(分)
Tab. 4  Results of image subjective evaluation (score)

3 讨论

       本研究通过比较基于DL-Recon在颅脑MRI增强扫描中应用不同Gd-DTPA剂量成像的质量,表明使用DL-Recon算法的图像质量显著高于常规重建算法,且在DL-Recon成像模式下对比剂的减量对图像质量无明显影响。这一结果显示出DL-Recon成像模式在保障图像质量的基础上,有降低Gd-DTPA注射量的潜在能力。这一结果可为临床颅脑MRI提供新的图像处理方法,并在临床过程中减少对比剂的使用量,从而减少由于高剂量对比剂的使用造成的药物不良反应发生率。

3.1 DL-Recon技术具备降低Gd-DTPA注射量的潜能

       DL-Recon技术可显著提高颅脑MRI图像质量,且降低Gd-DTPA注射量对DL-Recon的图像质量未有显著性影响[19]。因此DL-Recon技术具备保证临床诊断需要的前提下降低Gd-DTPA注射量的潜能。

3.1.1 DL-Recon T1WI与传统T1WI相比的优势

       DL-Recon T1WI与传统T1WI相比具有噪声低、图像质量及SNR值高的优点,能够满足颅脑诊断需求。虽然客观评价指标显示DL-Recon T1WI与常规T1WI差异无统计学意义,但DL-Recon T1WI主观评分明显优于常规T1WI,图像细腻程度更高。其原因可能是常规T1WI利用滤波反投影得到的图像信息作为重建图像的初始输入,使用矩阵代数将每个像素的测量值转换为新估计值,再将该像素值与噪声模型预测的理想值进行比较,在连续的迭代步骤中重复该过程,直到最终的估计像素值和理想像素值收敛为止[20]。而DL-Recon T1WI通过利用原始k空间数据输出高质量图像,采用深度卷积神经网络重建具有更高SNR、更大边缘锐利度和减少伪影的图像,并不断对图像进行优化,重建出与标准图像具有较小差异的图像[21]。这一点也可以在其他研究的结果中体现,如DL-Recon技术可以提升神经黑色素成像的SNR和病灶组织的CNR,提升幅度可达到2~3倍[22, 23],高于本研究结果1~1.5倍。此外,在癫痫诊断过程中结果也显示DL-Recon技术可以显著提高海马体成像分辨率,尤其是冠状位[24]。这与本研究结果的趋势一致。

3.1.2 DL-Recon技术可用于临床颅脑MRI过程中降低对比剂用量

       本研究中Gd-DTPA是目前较常用的细胞外间隙MRI顺磁性对比剂,在病变同等强化程度下,其三期动态增强扫描反映了病变的血供特点及强化方式。与贫血供病灶相比,Gd-DTPA通常对富血供病灶有更好的显影效果,常应用于颅脑和脊髓MRI,以进行肿瘤、炎症和血管病变的诊断与鉴别诊断[25]。尽管临床前常规的安全药理学、重复剂量毒性试验、基因毒性、潜在致癌性和生殖毒性试验资料显示对人体无特别危害,但Gd-DTPA临床不良反应仍无法完全避免[26, 27]。本研究在常规图像和DL-Recon技术正常注射药量、DL-Recon技术下减量注射药物的基础上,发现在DL-Recon技术下减量注射药物对图像均匀、伪影和图像整体质量得分各组间差异性显著,但两组间图像的增强效果无明显差异。使用DL-Recon技术对颅脑MRI的图像进行处理,可在保证图像质量的同时将对比剂的用量从0.20 mL/kg降低至0.15 mL/kg。DL-Recon技术这种新的应用方式,可能对减轻由于高剂量对比剂的使用导致的不良药物反应的发生有明显作用[28]。此外,由于使用通过DL-Recon技术对图像质量的提升,外科医生能够在术前精确评估病灶的位置和数目,为选取正确、有效的治疗方案提供重要参考,从而提高患者的生存率;对于术后复查或规律治疗后复查的患者,由于需要密切观察病灶的数量及大小变化,故DL-Recon技术对将来随访也有重要的意义[29, 30]

3.2 局限性与展望

       本研究初步证实了应用DL-Recon技术在不影响图像质量的前提下,有降低Gd-DTPA注射量的应用潜力。然而,本研究也存在一定局限:(1)本研究为一项单中心研究且纳入的样本量相对有限;(2)使用的DL-Recon算法较为单一;(3)本研究仅评估基于DL-Recon算法中降低Gd-DTPA注射量图像的增强效果,未调查提出的算法对颅内疾病患者的诊断效能。因此,在未来研究过程中我们将收集更多病例数据,增加样品数量;结合深度学习图像重建前沿算法建立颅脑增强扫描图像处理技术;此外我们将进一步关注实际病例颅脑图像的采集和处理,以开展在降低Gd-DTPA注射量后采用本研究算法重建的图像中诊断颅内疾病的实际效果。

4 结论

       综上所述,本研究通过比较基于DL-Recon技术在颅脑MRI增强扫描中应用不同Gd-DTPA剂量对图像质量的影响,发现基于DL-Recon的图像在同时降低药量时与正常注射量常规图像间的增强效果相当,说明DL-Recon算法具备在保证图像质量的前提下降低Gd-DTPA注射量的应用能力。

[1]
SANTOS ARMENTIA E, MARTÍN NOGUEROL T, SUÁREZ VEGA V. Advanced magnetic resonance imaging techniques for tumors of the head and neck[J]. Radiologia, 2019, 61(3): 191-203. DOI: 10.1016/j.rx.2018.12.004.
[2]
LEI K, SYED A B, ZHU X C, et al. Artifact- and content-specific quality assessment for MRI with image rulers[J/OL]. Med Image Anal, 2022, 77: 102344 [2022-10-25]. https://pubmed.ncbi.nlm.nih.gov/35091278/. DOI: 10.1016/j.media.2021.102344.
[3]
HOELTER P, LANG S, WEIBART M, et al. Prospective intraindividual comparison of gadoterate and gadobutrol for cervical and intracranial contrast-enhanced magnetic resonance angiography[J]. Neuroradiology, 2017, 59(12): 1233-1239. DOI: 10.1007/s00234-017-1922-z.
[4]
NIENDORF H P, HAUSTEIN J, CORNELIUS I, et al. Safety of gadolinium-DTPA: extended clinical experience[J]. Magn Reson Med, 1991, 22(2): 222-228. DOI: 10.1002/mrm.1910220212.
[5]
NIENDORF H P, DINGER J C, HAUSTEIN J, et al. Tolerance data of Gd-DTPA: a review[J]. Eur J Radiol, 1991, 13(1): 15-20. DOI: 10.1016/0720-048x(91)90049-2.
[6]
DISPENZA M, DITTO A. Adverse reactions to contrast media[J/OL]. Drug Allergy Testing, 2018: 239-259 [2022-10-25]. https://www.sciencedirect.com/science/article/abs/pii/B9780323485517000225?via%3Dihub. DOI: 10.1016/B978-0-323-48551-7.00022-5
[7]
BEHZADI A H, ZHAO Y Z, FAROOQ Z, et al. Immediate allergic reactions to gadolinium-based contrast agents: a systematic review and meta-analysis[J/OL]. Radiology, 2018, 286(2): 731 [2022-10-25]. https://pubmed.ncbi.nlm.nih.gov/29356629/. DOI: 10.1148/radiol.2017174037.
[8]
刘锡丹, 周龙龙, 郭亭亭, 等. 钆喷酸葡胺注射液已报道的ADR分析报告[J]. 海峡药学, 2019, 31(12): 229-231. DOI: 10.3969/j.issn.1006-3765.2019.12.103.
LIU X D, ZHOU L L, GUO T T, et al. Reported ADR analysis report of gadolinium gluconate injection[J]. Strait Pharm J, 2019, 31(12): 229-231. DOI: 10.3969/j.issn.1006-3765.2019.12.103.
[9]
EDUPUGANTI V, MARDANI M, VASANAWALA S, et al. Uncertainty quantification in deep MRI reconstruction[J]. IEEE Trans Med Imaging, 2021, 40(1): 239-250. DOI: 10.1109/TMI.2020.3025065.
[10]
缪小惠, 任丽, 石亚娜, 等. 精细化护理在幽闭恐惧症患者MRI检查中的应用[J]. 中国医学计算机成像杂志, 2018, 24(4): 352-355. DOI: 10.19627/j.cnki.cn31-1700/th.2018.04.017.
MIAO X H, REN L, SHI Y N, et al. Application of intensive nursing intervention in claustrophobia patients undergoing MRI exam[J]. Chin Comput Med Imag, 2018, 24(4): 352-355. DOI: 10.19627/j.cnki.cn31-1700/th.2018.04.017.
[11]
吴素文. 规范化护理在CT及MRI增强扫描检查中的应用[J]. 中国继续医学教育, 2021, 13(10): 182-185. DOI: 10.3969/j.issn.1674-9308.2021.10.051.
WU S W. Application of standardized nursing in CT and MRI enhanced scanning[J]. China Continuing Med Educ, 2021, 13(10): 182-185. DOI: 10.3969/j.issn.1674-9308.2021.10.051.
[12]
LEBEL R. Performance characterization of a novel deep learning-based MR image reconstruction pipeline[J/OL]. BMJ Open, 2020 [2022-10-26]. https://doi.org/10.48550/arXiv.2008.0655. DOI: 10.48550/arXiv.2008.06559.
[13]
王昭, 郭庆科. 个人拟合指标在Likert型人格测验中的应用[J]. 中国临床心理学杂志, 2016, 24(3): 470-474. DOI: 10.16128/j.cnki.1005-3611.2016.03.019.
WANG Z, GUO Q K. The application of person-fit statistics in likert personality scales[J]. Chin J Clin Psychol, 2016, 24(3): 470-474. DOI: 10.16128/j.cnki.1005-3611.2016.03.019.
[14]
赵鹏飞, 牛广明, 王少彧, 等. 基于不同感兴趣区域动态对比增强MR纹理分析评估胶质瘤等级[J]. 磁共振成像, 2020, 11(11): 975-978. DOI: 10.12015/issn.1674-8034.2020.11.004.
ZHAO P F, NIU G M, WANG S Y, et al. Evaluation of glioma benign and malignant based on dynamic contrast-enhanced MR texture analysis of different regions of interest[J]. Chin J Magn Reson Imag, 2020, 11(11): 975-978. DOI: 10.12015/issn.1674-8034.2020.11.004.
[15]
白志强, 史洁, 沈君. MRI增强T1高分辨力各同性容积激发序列与TSET1W序列检出椎体转移瘤的对比分析[J]. 中国医学影像技术, 2017, 33(9): 1397-1400. DOI: 10.13929/j.1003-3289.201612105.
BAI Z Q, SHI J, SHEN J. Comparative analysis of detection of spinal metastases with contrast-enhanced MRI T1 high resolution isotropic volume excitation and TSE T1WI sequence[J]. Chin J Med Imag Technol, 2017, 33(9): 1397-1400. DOI: 10.13929/j.1003-3289.201612105.
[16]
Rahal A. Improved specificity of MRI diagnosis of collagenous lesions in tendon[D]. San Antonio: The University of Texas Health Science Center, 2007.
[17]
郭轶斌, 郭威, 秦宇辰, 等. 基于Kappa系数的一致性检验及其软件实现[J]. 中国卫生统计, 2016, 33(1): 169-170, 174.
GUO Y B, GUO W, QIN Y C, et al. Consistency test based on Kappa coefficient and its software implementation[J]. Chin J Heath Stat, 2016, 33(1): 169-170, 174.
[18]
王瑞平, 肇晖, 李斌. 随机对照临床试验设计要点和规范[J]. 上海医药, 2022, 43(7): 72-77. DOI: 10.3969/j.issn.1006-1533.2022.07.019.
WANG R P, ZHAO H, LI B. Critical points and standards of randomized controlled clinical trial design[J]. Shanghai Med Pharm J, 2022, 43(7): 72-77. DOI: 10.3969/j.issn.1006-1533.2022.07.019.
[19]
赵蕾, 张臣, 田洁, 等. 调整扫描序列顺序对心脏磁共振检查时间和图像质量影响的研究[J]. 心肺血管病杂志, 2021, 40(8): 841-845, 862. DOI: 10.3969/j.issn.1007-5062.2021.08.016.
ZHAO L, ZHANG C, TIAN J, et al. The impact of adjusting the scanning sequence on the time and image quality of cardiac magnetic resonance imaging[J]. J Cardiovasc Pulm Dis, 2021, 40(8): 841-845, 862. DOI: 10.3969/j.issn.1007-5062.2021.08.016.
[20]
PESCHKE E, ULLOA P, JANSEN O, et al. Metallic implants in MRI - hazards and imaging artifacts[J]. Rofo, 2021, 193(11): 1285-1293. DOI: 10.1055/a-1460-8566.
[21]
杨曦洁. 基于图度量与图滤波的臆想症患者脑网络功能连接分析[D]. 武汉: 武汉科技大学, 2021. DOI: 10.27380/d.cnki.gwkju.2021.000501.
YANG X J. Functional connectivity analysis of brain networks in patients with paranoid-schizophrenia based on graph measurements and graph filtering[D]. Wuhan: Wuhan University of Science and Technology, 2021. DOI: 10.27380/d.cnki.gwkju.2021.000501.
[22]
李琼阁, 殷雅彦, 赵澄, 等. 深度学习在颅脑体素内不相干运动磁共振成像质量中的应用[J]. 磁共振成像, 2023, 14(5): 16-20. DOI: 10.12015/issn.1674-8034.2023.05.004.
LI Q G, YIN Y Y, ZHAO C, et al. Application of deep learning in intravoxel incoherent motion brain magnetic resonance imaging quality[J]. Chin J Magn Reson Imag, 2023, 14(5): 16-20. DOI: 10.12015/issn.1674-8034.2023.05.004.
[23]
于阳, 赵澄, 齐志刚, 等. 深度学习重建在改善磁共振神经黑色素图像质量中的价值研究[J]. 磁共振成像, 2023, 14(5): 11-15. DOI: 10.12015/issn.1674-8034.2023.05.003.
YU Y, ZHAO C, QI Z G, et al. Application of deep learning reconstruction in improving the quality of neuromelanin magnetic resonance image[J]. Chin J Magn Reson Imag, 2023, 14(5): 11-15. DOI: 10.12015/issn.1674-8034.2023.05.003.
[24]
杨晶, 李琼阁, 吴涛, 等. 深度学习重建法提高磁共振高分辨海马冠状位图像质量的比较研究[J]. 磁共振成像, 2023, 14(5): 21-24, 30. DOI: 10.12015/issn.1674-8034.2023.05.005.
YANG J, LI Q G, WU T, et al. A comparative study on the enhancement of high resolution coronal image quality by deep learning reconstruction[J]. Chin J Magn Reson Imag, 2023, 14(5): 21-24, 30. DOI: 10.12015/issn.1674-8034.2023.05.005.
[25]
惠俊兰, 金盛辉, 杨杨, 等. 规范化呼吸训练在三期尘肺病患者上腹部MRI检查中的应用研究[J]. 中国卫生标准管理, 2022, 13(14): 9-13. DOI: 10.3969/j.issn.1674-9316.2022.14.003.
HUI J L, JIN S H, YANG Y, et al. Application of standardized breathing training in upper abdominal MRI examination of patients with stage Ⅲ pneumoconiosis[J]. China Heath Stand Manag, 2022, 13(14): 9-13. DOI: 10.3969/j.issn.1674-9316.2022.14.003.
[26]
兰斌, 赵俐红, 敬茜, 等. 钆喷酸葡胺注射液导致迟发型血栓性静脉炎的护理二例[J]. 华西医学, 2016, 31(8): 1475-1476. DOI: 10.7507/1002-0179.201600397.
LAN B, ZHAO L H, JING Q), et al. Nursing care of two cases of delayed thrombophlebitis caused by gadolinium gluconate injection[J]. West China Med J, 2016, 31(8): 1475-1476. DOI: 10.7507/1002-0179.201600397.
[27]
王伟明, 张振鹏, 崔向宁. 钆喷酸葡胺注射液致过敏性休克1例[J]. 中国药物警戒, 2016, 13(7): 445-446. DOI: 10.19803/j.1672-8629.2016.07.018.
WANG W M, ZHANG Z P, CUI X N. Anaphylactic shock caused by gadolinium gluconate injection: a case report[J]. Chin J Pharmacovigil, 2016, 13(7): 445-446. DOI: 10.19803/j.1672-8629.2016.07.018.
[28]
孙建宏, 高志红, 刘丽华, 等. 钆喷酸葡胺注射液致过敏性休克1例[J]. 临床合理用药杂志, 2015, 8(13): 5, 7. DOI: 10.15887/j.cnki.13-1389/r.2015.13.003.
SUN J H, GAO Z H, LIU L H, et al. Anaphylactic shock caused by gadolinium gluconate injection: a case report[J]. Chin J Clin Ration Drug Use, 2015, 8(13): 5, 7. DOI: 10.15887/j.cnki.13-1389/r.2015.13.003.
[29]
周庆春. 189例磁共振对比剂钆喷酸普胺致不良反应病例的文献分析[J]. 抗感染药学, 2016, 13(1): 118-120. DOI: 10.13493/j.issn.1672-7878.2016.01-041.
ZHOU Q C. Literature analysis of 189 cases of adverse reactions caused by gadolinium dipropionate, a magnetic resonance contrast agent[J]. Anti Infect Pharm, 2016, 13(1): 118-120. DOI: 10.13493/j.issn.1672-7878.2016.01-041.
[30]
陈孟达, 朱笔鸥, 殷亚娣. MR增强扫描中造影剂过敏的预防管理[J]. 中医药管理杂志, 2018, 26(11): 200-201. DOI: 10.16690/j.cnki.1007-9203.2018.11.197.
CHEN M D, ZHU B O, YIN Y D. Prevention and management of contrast agent allergy in MR enhanced scanning[J]. J Tradit Chin Med Manag, 2018, 26(11): 200-201. DOI: 10.16690/j.cnki.1007-9203.2018.11.197.

上一篇 MR体素内不相干运动成像评价兔肾动脉狭窄肾纤维化的研究
下一篇 DWI与常规MRI在诊断腮腺肿瘤中的价值
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2