研究背景

        膝关节作为人体复杂的承重关节，其组织结构精细且易受损伤，MRI（磁共振成像）因其高软组织分辨率和多方位成像能力，成为膝关节疾病诊断的重要工具。然而，传统MRI扫描时间长，易导致患者不耐受并产生运动伪影，影响图像质量。同时，降低扫描参数以缩短时间往往伴随着图像分辨率的牺牲。因此，探索高效且高质量的MRI扫描技术成为临床迫切需求。深度学习技术，特别是卷积神经网络（CNN）在超分辨率重建领域的应用，为这一问题的解决提供了新途径。

研究目的

        本研究旨在通过优化扫描参数，结合基于深度学习的复合超分辨率重建算法，评估其在提升膝关节MRI扫描效率与图像质量方面的可行性及效果，以期在临床环境中实现更高效、高质量的膝关节MRI检查。

研究方法

1. 研究对象：前瞻性收集110例接受膝关节MRI平扫的患者，排除MRI禁忌证及无法完成全部扫描序列者。

2. 扫描方案：采用美国GE公司Signa HDxt 3.0T磁共振扫描仪，对每位患者先后进行常规扫描与复合超分辨率重建算法扫描，详细记录并比较两组扫描参数。

3. 复合超分辨率重建算法：基于CNN架构，包含超分辨率重建模块与降噪、锐化后处理模块，旨在同时提升图像分辨率与降噪效果。

4. 图像质量评估：

客观评估：测量SNR（信噪比）、CNR（对比噪声比）、PSNR（峰值信噪比）及SSIM（结构相似度），以量化图像质量。

主观评估：由两名高年资骨肌影像学诊断医师进行双盲评分，依据病灶边缘区分度、病灶辨别度、运动伪影及综合诊断度进行评价。

5. 统计分析：采用SPSS软件进行统计分析，比较两组图像质量的差异。

研究结果

1. 客观图像质量：复合组在PD与T1序列的骨髓、软骨、半月板、韧带、肌肉、脂肪及关节液的SNR和CNR均显著提高（P < 0.001）。PSNR显著提升，而SSIM虽略有降低但仍保持极高水平（>0.999），表明重建图像未丢失固有信息。

2. 主观图像质量：复合组在病灶边缘区分度、运动伪影和综合诊断度的主观评分显著高于常规组（P < 0.001），病灶辨别度主观评分无显著差异。

3. 扫描效率：复合组扫描时间显著缩短，减少了患者因不耐受产生的运动伪影，提高了检查成功率和患者舒适度。

研究结论

        本研究证实，通过合理优化扫描参数并结合基于深度学习的复合超分辨率重建算法，能够在不丢失图像固有信息和改变组织结构的前提下，显著提升膝关节MRI的图像质量和综合诊断效果，同时提高扫描效率。这一技术具有广泛的临床应用前景，有助于提升膝关节MRI检查的整体效能和患者满意度。