眾所周知，診斷和快速的脊柱MRI對於基於價值的、有效的和具有成本效益的工作流程是必不可少的，是提高MRI流轉速度的基石。

深度學習(DL)可用於提高加速的MRI采集。基於DL的MRI重建的主要目的是通過使用深度神經網絡從較少或 "欠采樣 "的K空間數據中重建高質量的圖像來促進更快的掃描。這可以通過所謂的 "基於物理的DL MRI技術 "來實現，該技術在數據一致性和基於神經網絡的正則器之間交替進行有限次數的迭代，從而展開正則化迭代算法。目前研究的DL重建方麵是在一個單獨的、通常是數值密集型的過程中對這些模型參數進行優化，並在示範數據上進行。一旦固定下來，該模型就可以被部署並且可在未來的數據上使用。據我們所知，在實際的臨床場景中，缺乏對快速獲得的、低采樣的脊柱MRI進行前瞻性的DL重建的研究。

近日，發表在Radiology雜誌的一項研究探討了標準的渦輪自旋回波(TSE)采集和非滾動DL重建TSE(以下簡稱TSEDL)T1和T2加權采集方法的診斷互換性，並測試了其對采集時間、圖像質量和診斷信心的影響，為臨床實現更加快速的MR掃描及診斷提供了技術支持。

本項研究納入了2020年11月-2021年7月期間在本機構給予書麵同意的患有各種脊柱異常的參與者。每個參與者都接受了兩次MRI檢查：標準的完全采樣的T1和T2加權的TSE采集(參考標準)和前瞻性的低采樣的TSEDL采集，有三倍和四倍的加速。圖像評估由五位讀者進行。互換性分析和基於圖像質量的分析被用來比較TSE和TSEDL的圖像，同時比較了采集時間和診斷信心。使用關於各種退行性和非退行性實體的個體等值指數來測試互換性，對每個椎體進行分析，並定義為臨床判斷的不一致小於5%。 計算了閱讀者之間和閱讀者內部的一致性和一致性(k和Kendall t和W統計)，並使用了Wilcoxon和McNemar檢驗。

總共有50名參與者接受了評估(平均年齡46歲618[SD];26名男性)。TSEDL方法使總采集時間減少了70%(TSEDL為100秒，TSE為328秒，P , .001)。所有個人的等值指數都小於4%。所有讀者都認為TSEDL采集的圖像噪聲更好(P , .001)。沒有證據表明標準TSE和TSEDL之間在主要發現的頻率、整體圖像質量或診斷信心方麵存在差異。

研究表明，數據驅動的深度學習(DL)重建的渦輪自旋回波(TSE)方法在臨床上是可行的，可與標準的T1和T2加權TSE采集互換，並可用於檢測脊柱的各種異常情況。DL重建的TSE提供了出色的圖像質量和診斷信心，並將檢查時間大大減少了70%。因此，DL技術可為超快速脊柱MRI奠定基礎。