深度学习加速MRI提升视神经炎成像效率
摘要
研究对比了深度学习加速的3D增强MRI序列(T1-CUBE-DLS)与标准序列在急性视神经炎诊断中的表现。59名疑似患者接受两种扫描,结果显示T1-CUBE-DLS将扫描时间缩短36.2%,主观噪声相当,但病灶显示更清晰、增强长度测量重复性更高。43例(72.9%)经临床确诊为急性视神经炎,两序列诊断准确性无显著差异。
信息来源: PubMed Ophthalmology 发布于 2026年1月1日
要点速览
- T1-CUBE-DLS序列使急性视神经炎MRI扫描时间减少36.2%,且诊断准确性未显著下降。
- 研究采用双盲阅片与临床诊断金标准对照,评估了图像噪声、运动伪影、病灶清晰度及增强长度测量一致性。
- T1-CUBE-DLS提升了病灶视觉显著性和测量可重复性,支持其作为急性视神经炎评估的实用替代方案。
本站解读
这项前瞻性研究纳入59名疑似急性视神经炎患者,每人同时做两种增强3D MRI序列:深度学习加速的T1-CUBE-DLS和标准T1-CUBE。两名神经放射科医生独立盲法评分,以资深神经眼科医生的临床诊断为参考标准,最终43人(72.9%)确诊为急性视神经炎。
结果是,新序列把采集时间缩短了36.2%,诊断准确性未检测到显著差异,同时病灶强化更清晰、强化长度测量的可重复性更好。我们的判断是,这类更快且不降质的改进最容易被影像科接受,因为它不改变诊断逻辑,只缩短扫描时间。不过研究样本量不大,是否适用于其他设备和医院,还需要更多验证。
中国视角上,深度学习重建序列在国内医院的配置情况原文没有涉及,有待确认。对患者而言,这项研究不改变视神经炎的诊疗流程,采用哪种序列由医院设备和影像科决定,如有疑虑可咨询眼科医生。
常见问题
这个新MRI检查是不是又快又准?
更快,准确性相当。研究中深度学习加速序列的采集时间缩短了36.2%,诊断准确性与标准序列相比未检测到显著差异,同时病灶更清晰、测量更稳定。不过这只是一项59人的研究,原文没有说明它在哪些医院常规使用,国内的应用情况有待确认。
做视神经炎的MRI检查,能选用这种快速序列吗?
这取决于医院的设备和扫描方案,患者一般无法自行选择。研究显示,T1-CUBE-DLS在缩短36.2%扫描时间的同时,诊断准确性未见显著下降,但它不改变视神经炎的诊断思路,最终诊断仍需医生结合临床表现判断。国内医院的配置情况有待确认,如有疑虑可咨询眼科医生。
延伸阅读
眼表摄影标准化:AI应用的瓶颈与路径
该综述指出,尽管裂隙灯彩色摄影是眼前节记录和随访的基础手段,但其采集与处理长期缺乏统一标准。眼表曲面几何、离轴照明、周边失焦、自动白平衡及瞳孔依赖的曝光变化等因素,严重制约图像可重复性、设备间可比性和临床实用性。文章系统梳理了干眼病、结膜充血、感染性角膜炎等五类眼表疾病中OSP的应用现状,并揭示当前AI模型开发受限于缺乏大规模、多人群、高质量标注的眼表图像数据集,以及缺乏可量化的稳定表型和可靠标签。
基于眼底照相的颈动脉内中膜厚度风险分类模型
研究提出一种名为BMA-Net的双侧注意力网络,结合视网膜领域迁移学习,利用眼底照片进行基于颈动脉内中膜厚度(CIMT)的心血管风险分类。模型先在亚太远程眼科学会(APTOS)2019失明检测数据集上预训练,再迁移到中国眼底CIMT数据集进行分类。十次独立初始化实验中,验证集宏F1均值为77.81%,AUC为84.08%;测试集分别为78.29%和85.22%,各项指标点估计高于此前的Siamese ResNeXt基线模型。
基于OCT图像的冰毒成瘾AI检测框架
研究团队开发了一种结合深度学习与机器学习的混合框架,用于从光学相干断层扫描(OCT)图像中自动识别甲基苯丙胺成瘾者。该框架使用改进的ResNet50-OCT模型提取多层特征,经多分辨率特征选择降维后,由多种核函数的支持向量机分类,并通过阈值过滤迭代多数投票融合结果。在193名受试者的3859张OCT图像上测试,10折交叉验证准确率达89.43%,留一法验证为74.07%。