MRI检查目前广泛应用于临床，是疾病诊断、制订治疗方案及疗效评估的重要手段。较X线及计算机断层扫描（computed tomography, CT）检查，MRI检查无电离辐射，且具有多参数、多序列、多方位成像的优势，在提供形态学特征的同时，还可进一步评价病变的血流动力学及功能成像定量指标，大大拓宽了其临床应用范畴。随着MRI技术的发展和设备的普及，临床检查数量大幅增加，图像的空间分辨率和时间分辨率也得以大幅提升，为疾病诊断带来变革的同时，也为临床应用带来了新的挑战。人工智能（artificial intelligence, AI）是计算机科学的一个分支，可量化挖掘医学影像中肉眼无法识别的隐匿信息，自动或半自动、快速、可重复地为医生决策提供辅助信息，减少人工诊疗中对个人经验的依赖^[1]。当前，MRI AI主要包括影像组学和深度学习两类方法，影像组学从医学影像中高通量地提取和挖掘定量特征用于临床决策，以提升诊断、预后和预测的准确性^[2]，而深度学习通过深层神经网络实现从数据中自动分析规律，具备强大的特征表达能力，具有精度高、健壮性好的特点。近年来，AI在提高疾病的诊断效率和诊断精度、缩短患者等待时间、降低医疗成本、助力临床实践等方面有诸多研究与应用^[3]。本文就MRI图像生成、图像预处理及其临床应用为主线，介绍当前AI结合MRI的临床科研与应用进展情况，旨在为MRI技术研究及临床转化提供参考依据。

如何快速高质量成像一直是MRI检查面临的重大难题。图像诊断能力和扫描速度是构建经济高效的MRI检查工作流程的基础。而在具体临床实践过程中，MRI图像质量和成像速度受软件、硬件影响，且由于MRI检查扫描时间较长，患者往往难以坚持而产生不自主运动造成图像质量较低，甚至成像失败。稀疏采样是快速采集的基础，可有效地节省成像时间，但同时需要实现从欠采样数据中可信的重建。AI技术采用数据驱动的方式学习图像固有的先验信息，效果优于传统的浅层次先验信息^[4]。

研究表明深度学习技术在压缩感知技术、并行图像采集和多对比度成像等方面的应用可以显著提高MRI图像采集与重建速度^[5]。基于生成对抗网络的MRI压缩感知快速成像方法，能够对MRI图像的低维流形进行建模，实现5倍以上的扫描加速，同时图像质量明显优于传统的压缩感知算法^[6]。优化k空间采样轨迹是拥有巨大潜力和挑战的方向，可以实现10倍加速并显著提高图像质量^[7]。在多序列采集过程中，利用序列间的冗余性，通过部分序列全采样、部分序列欠采样，可以有效重建图像并实现模态间对齐^[8]。非笛卡尔采样模式具有更好的运动鲁棒性，利用在k空间和图像领域的自监督方法，可以实现非笛卡尔MRI的高效重建^[9]。

高分辨率多参数定量MRI可以提高诊断的敏感性和特异性。通过AI重建可加快采集速度，实现几分钟内采集数据即可高效重建出T1、T2、T2^∗、质子密度（proton density, PD）和射频磁场非均匀性（B1⁺）图^[10]。通过引入先验信息或知识，能进一步提升图像质量，MR指纹成像（MR fingerprinting, MRF）技术可以从单个序列重建得到定量T1 map、T2 map和PD map，结合平面回波成像与深度学习能实现快速、准确和可重复的化学交换饱和转移MRF重建^[11]。在功能MRI方面，利用深度学习修复缺失信号有助于提高对重大神经疾病脑功能评估的准确性^[12]。基于数据驱动深度学习有监督模型仅需使用六个扩散加权值的扩散张量成像（diffusion tensor image, DTI）即可实现精准参数定量^[13]，且添加注意力机制深度学习算法能够更为准确地估计组织微观结构的多模态信息^[14]。

当前，部分AI快速重建技术已经在临床得到了初步验证。基于深度学习重建的脊柱快速自旋回波（turbo spin echo, TSE）序列检查时间减少了70%，图像质量良好，可以替代标准TSE用于脊柱各种疾病的诊断，具有重要临床价值^[15]。深度学习重建算法可在减少采集时间的基础上提高图像信噪比和细节分辨率^[16]。平衡稳态自由进动MRI是传统心脏采集常用的序列，采集时间往往在3 min左右，采用深度学习重建的方法能在不到1 min的时间完成电影心脏扫描同时保持与传统方法相似的图像质量和准确性^[17]。

MRI图像后处理任务主要包括图像质量增强、图像配准及感兴趣区分割三个方面。

在MRI过程中，采集数据量的不足、信号中的固有噪声、患者的不自主运动等原因造成了图像中的伪影和噪声，可能影响影像诊断的准确性。医学图像增强通过调整图像的强度对比，使生成的图像更适合显示或进一步分析，增强方法常包括去噪、超分辨率、MR偏场校正和图像协调^[18]。传统的MR图像去伪影方法通常基于k空间滤波，容易造成增强后的图像过平滑、细节丢失等问题。而基于U-Net和ResNet等网络结构进行医学图像增强，能够在保持图像分辨率的情况下有效抑制伪影，提高数据的有效性和多样性^[19]，卷积神经网络^[20]、差分进化自动网络^[21]、残差卷积神经网络^[22]等深度学习方法在MRI图像质量增强中发挥重要作用。

图像配准是医学影像处理的基础之一。在临床实践中，多种模态或多次影像采集之间的空间对齐能够为影像诊断提供更多的信息，是多模态影像融合的关键技术，支撑医生做出更加准确的诊断或指导患者的治疗方案制订^[23]。通过将U-Net网络与扩散加权成像（diffusion-weighted imaging, DWI）结合，不仅能在空间上对齐大脑解剖结构，同时保证局部纤维的方向与潜在的白质纤维束解剖结构保持一致^[24]。应用深度学习技术对DWI进行分割与配准，可以高精度、轻量化实现大脑解剖变化的快速量化^[25]。通过深度学习方法能够快速、有效地实现MRI图像的配准^[26]，解决在模型迁移中对训练数据的依赖问题^[27]。

图像分割目的是精确标记病灶，进而实现对病灶的定量分析，有助于临床医生诊断疾病、制订治疗方案及疗效评价等。手工分割工作量巨大，且存在医生间的偏倚，AI分割能够显著提高分割的效率、可重复性及分割质量^[28]。基于AI的心脑血管图像处理能够对心脏及头颈部动脉血管进行分割和测量^[29]、脑动脉瘤检出及分割等^[30]。应用AI技术的MRI多模态数据分割方法在脑肿瘤整体分割水平上目前已超过了专家的勾画水平，且在创伤性脑损伤、多发性硬化及卒中等病变分割中性能良好^[31]。利用基于增强目标损失函数的深度卷积神经网络实现了直接用于MR扩散峰度成像（diffusion kurtos isimaging, DKI）与DTI等多参数图像的脑组织分割，取得优越的分割性能^[32]。因此，利用AI技术实现对人体器官、软组织和病变分割提取、三维重建和显示，能实现对感兴趣区的定量分析，提高了临床诊断的效率，可有效辅助临床教学、手术规划、手术仿真及各种医学研究的开展^{[33, 34, 35, 36]}。

MRI检查旨在服务于临床，AI可以在病灶检出和定位、辅助医生诊断疾病、疾病分期、预后预测及患者随访监测等诸多方面发挥作用，同时也为传统MRI效能不佳的神经精神疾病探索提供了新方法。

MRI AI可以辅助医生提高病灶检出并快速高效地进行疾病诊断^[37]。基于影像组学方法的快速、简便、准确的非侵入性肿瘤分级预测，实现分级预测目标，辅助医生进行临床决策^{[38, 39]}。应用影像组学进行病变鉴别诊断、肿瘤分级，可以无创、快速、可重复地为影像科医生提供决策建议，具有积极的临床意义^{[40, 41]}。对于放射治疗计划，CT扫描用于确定组织的电子密度或组织密度，以便于估计放疗的吸收剂量，随着基于MR的放射治疗设备的应用，通过从MRI图像中生成合成CT将有助于放射治疗计划的制订和执行^[42]。基于扩散基谱成像衍生指标与深度神经网络相结合，在多发性硬化病变亚型分类方面达到了93.4%的准确度^[43]。

肿瘤分期和分子分型对临床诊疗过程和策略有重要意义。研究表明从MRI图像中提取的肿瘤形状特征与基因组亚型之间存在一定的关联，利用影像学技术预测基因型状态具有重要的价值。AI具有能够区分肉眼难以分辨的相似影像，实现对成人神经胶质瘤^[44]、儿童脑肿瘤^[45]、乳腺肿瘤^[46]等多种肿瘤亚型或者分子状态的区分。此外，随着深度学习算法越来越广泛地应用于组织病理学图像研究中，有望采用各种深度神经网络模型解决其临床诊断问题。将DWI、DTI与结构MRI输入VGG-16深度网络的迁移学习框架进行弥漫性神经胶质瘤的诊断分型，在预测IDH突变和1p19q编码缺失状态取得显著成效^[47]；影像基因组学^[48]是利用影像特征关联病灶的基因特征，如基因突变、基因表达、染色体拷贝数或其他分子特征。

预后预测对疾病治疗和个性化护理计划具有重大临床意义，以往仅依据有限的临床信息来进行预后预测，存在准确率较低、易造成偏倚等问题。利用MRI结合AI可以预测治疗效果，通过选择对治疗有反应的患者提高检测临床收益，并为患者生存和病情进展提供预后价值^[49]，有助于实施精准个性化的临床诊疗工作^{[50, 51]}。在评估总生存率时，AI能实现对MRI图像特征更好地抽象，进而提供更多的预测模式，相较于临床一般危险因素具有更高的性能，相关研究成果已经在临床得到了初步验证^[52]。脑肿瘤术后往往需要进行放疗，部分患者会出现不同程度的放射性脑损伤，通过影像检查手段可以有效辨别脑肿瘤复发与放射性脑损伤^[53]。有研究利用基于DTI与RNA序列数据的卷积神经网络预测浸润性神经胶质瘤患者的生存状况，并证明某些深层特征与不同的信号通路相关，对患者预后有重要参考价值^[54]。利用深度学习分析DKI及T2WI预测新辅助放化疗后局部晚期直肠癌患者的治疗响应，进而准确筛选病理完全响应的患者^[55]。

AI对病情监测的应用越来越多，包括病情自然改变的检测和对治疗的反应等，精准量化指标能为优化临床决策和治疗等提供参考。例如神经肿瘤患者的反应评估（response assessment in neuro-oncology, RANO）标准，被广泛用于临床试验和临床实践中。利用3D U-Net架构基于MRI实现自动脑提取、肿瘤分割和RANO测量，结合临床指标评估治疗期间肿瘤负荷的变化，测量值可重复性高，在反应评估及总生存率预测方面相较于放射科医生有更高的一致性^[56]。肿瘤复发和放射性坏死的影像学鉴别诊断是肿瘤患者治疗中的一个重大挑战，可能延误肿瘤复发患者治疗^[57]。目前，多项基于常规和高级MRI数据的AI研究能够区分假性进展和真实进展^[58]，有效支撑肿瘤治疗的临床实践，提升患者生存率。

精神神经类疾病社会负担沉重，患者在认知功能、情感以及行为的精神活动上表现异常，严重影响其日常生活，但其发病机制目前仍不明确。多项研究结果表明卷积神经网络模型能够很好地用于阿尔茨海默病^[59]、帕金森病^[60]早期诊断分类。功能MRI（functional MRI, fMRI）技术结合AI可以探索更为深层次的病理机制，在对自闭症^[61]、精神分裂症^[62]等精神障碍疾病患者进行诊断及病情评估方面显示出了很有前景的结果。结合AI技术进行脑功能变化分析^[63]、脑部结构特征与脑功能特征关联关系分析^[64]、体素级别功能连通性分析^[65]，为深入探究精神神经类疾病的发病机制提供了工具，在探索精神神经类疾病机制中有广阔前景。

MRI AI正在迅速发展，对临床的价值越来越高。随着AI算法的开发、算力的提升、影像数据的有效收集和多中心共享，医学影像AI的发展当前已经具备了研究和临床应用的先决条件，但在临床应用过程中仍存在多方面挑战。首先，存在MRI图像数据采集的标准化问题，由于MRI反映的是组织弛豫的对比，不同设备、不同参数会造成图像质量的差异，MRI AI的鲁棒性面临巨大挑战；任务复杂多样，有重建、增强、恢复、分类、检测、分割、配准等，完成一个任务往往需要涉及多种任务的组合。其次，MRI AI还面临多序列、多模态的组合挑战，结构影像、功能影像以及各种新技术如何协同训练仍存在巨大困难。最后，当前AI算法的可解释性较差，难以依据其表现揭示其中的因果，因此其应用存在争议，其潜在风险将难以评估。因此在科研过程中，影像的采集、选择往往是可控的，质量一般是有保障的，但是进入临床后，面对疾病、采集人员、设备性能等各种复杂情况，模型的鲁棒性和可靠性尚需进一步验证。

总之，当前MRI AI的能力还相对有限，仅适宜于相对简单的重复性工作，临床应用产品还较少。随着算法和硬件能力的飞速发展、大样本多中心标准医学影像数据库的逐步建立，使得研究更为复杂的临床问题、获得泛化性能更好的模型成为可能。在未来，MRI AI应用将更贴近临床场景，逐渐形成贯穿成像、检测、诊断、治疗、预后等各个环节的综合解决方案，成为医生的好帮手，提升医生工作的效率和价值。