年12月1日，美国芝加哥迎来第届北美放射学会（RSNA）年会。AI与医学影像的融合是放射科学发展的必然趋势，佳能医疗人工智能技术在MRI上也实现了的深度应用。本届展会，佳能医疗亮相的就是基于DEEPLEARNING深度学习和神经网络技术的AiCE深度学习技术。

图一

图一的左右两图为同一志愿者扫描，扫描参数一致。左图3.0T超高场扫描，右图1.5T高场扫描，理论上3.0T图像信噪比应远高于1.5T，但因1.5T配合了佳能医疗人工智能科技，在相同的扫描条件下，图像的信噪比竟然优于3.0T。这种基于DEEPLEARNING的AiCE深度学习的“黑科技”将在本次RSNA闪亮登场。通过AiCE的深度学习，佳能医疗MRI可以在不延长扫描时间的前提下，获得高信噪比、高分辨率图像。

众所周知，高分辨率、高信噪比的MR图像能更好地显示精确的解剖结构，提高诊断准确率，有利于各种疾病的早期诊断。然而，如果要在短时间内获得高分辨率图像，图像信噪比会降低。以往为了获得高信噪比的高分辨率MR图像，只能使用更高场强的设备，或者改变相应参数来实现，但参数的改变会导致扫描时间增加。近年来，人们提出了基于AI的图像降噪方法，在实际使用过程中，的确缩短了扫描时间，但也存在如下问题。

图二

图二采用传统的AI人工智能方法降噪，直接在图像域中进行噪声去除，去除的不仅仅是噪声，还包括了部分组织（尤其是边界组织）的信号，因此得到的图像虽然比较光滑，但边界组织信号丢失严重。

佳能医疗MR的DLR深度学习法利用不同噪声水平图像和相应的基准真值图像，来训练和学习各种噪声特性，并且使得输出与输入噪声功率成正比，从而去除图像噪声，因此，对每种噪声级无需一一对应的神经网络，使用独特的单一神经网络即可达到双赢的效果。这种噪声自适应神经网络在MRI中大有作为，在MRI中，不同对比度的扫描，如T1加权成像（T1WI）、T2WI加权成像（T2WI）和质子密度加权成像（PDWI），可以在同一检查中获得。

图三

图三是佳能医疗MRI最新研发的基于深度学习的DLR重构去噪方法，通过学习离散余弦变换（DCT）提取的图像高频分量中的噪声阈值来进行噪声去除，精确锁定并去除噪声，保留了完整的组织信号。

佳能医疗MRI的深度学习AiCE技术不仅应用于Neuro，也可以应用于其他检查部位，还可以结合功能成像使用。

“WhenDLRisusedin