基于深度学习的医学影像质控系统在CT/MRI图像伪影识别中的应用
基于深度学习的医学影像质控系统在CT/MRI图像伪影识别中的应用
叶小军 阿地里江·肉孜
新疆第六人民医院 830013
摘要
本研究构建基于深度学习的医学影像质控系统，评估其在CT/MRI图像伪影识别中的临床应用价值。方法：回顾性纳入2024年6月—2026年1月我院80例患者影像数据（CT 42例、MRI 38例），构建融合注意力机制的深度学习模型，识别金属、运动、磁敏感等常见伪影；以高年资医师双盲评估为金标准，计算模型准确率、敏感度、特异度及F1值，对比传统人工与深度学习质控效能。结果：系统伪影识别整体准确率92.50%、敏感度91.89%、特异度93.10%、F1值0.92；CT金属伪影准确率94.12%，MRI运动伪影准确率91.67%；单例质控耗时（1.2±0.3）s，显著短于人工（125.6±20.5）s（P＜0.001）；重复扫描率由18.75%降至6.25%（P＜0.05）。结论：该系统可精准快速识别CT/MRI伪影，提升质控效率与影像质量，减少重复扫描，降低患者辐射暴露与检查时长，具备重要临床推广价值。
关键词：深度学习；医学影像质控；CT；MRI；伪影识别
引言
CT与MRI是临床核心影像学检查手段，图像质量直接影响诊断准确性与治疗方案制定。伪影是影像质量下降的主要原因，CT常见金属、射线硬化伪影，MRI易出现运动、磁敏感及化学位移伪影，可掩盖病灶、造成误诊漏诊；传统人工质控主观性强、效率低、漏诊率高，难以满足大规模、标准化质控需求。
深度学习在医学影像分析领域发展迅速，强大的特征提取与模式识别能力为影像质控提供新路径。现有研究多聚焦单一模态或单类伪影，缺乏CT/MRI多模态、多类型伪影的系统质控研究。本研究构建融合注意力机制的深度学习质控系统，探究其在CT/MRI伪影识别中的应用效果，为医学影像智能化质控提供科学依据与实践参考。
资料与方法
一般资料
回顾性选取2024年6月—2026年1月我院放射科行CT、MRI检查的80例患者，年龄22～75岁，平均（48.5±12.3）岁；CT 42例（头部15例、胸部12例、腹部10例、骨关节5例），MRI 38例（脑部18例、脊柱12例、关节8例）。纳入标准：①图像完整无严重缺损；②伪影类型经高年资医师确认；③临床资料齐全。排除标准：①图像严重模糊；②扫描参数异常致非典型伪影；③资料不全。本研究经伦理委员会批准，患者知情同意。
仪器与数据预处理
CT：西门子16排螺旋CT，120 kV，200～300 mA，层厚1 mm；MRI：GE Signa Explorer 1.5T，T1WI（TR 500 ms、TE 10 ms），T2WI（TR 3000 ms、TE 100 ms），层厚4 mm。
预处理：DICOM转PNG，像素归一化0～1；随机翻转、旋转、缩放增强数据；按7:2:1分为训练集（56例）、验证集（16例）、测试集（8例）。
深度学习模型构建
基于PyTorch构建融合注意力机制的ResNet50模型：①特征提取层：ResNet50提取深层特征，缓解梯度消失；②注意力模块：嵌入通道与空间注意力，强化伪影特征、抑制背景干扰；③分类层：全局平均池化+全连接层，输出伪影类型与置信度。
训练：交叉熵损失函数，Adam优化器，初始学习率1×10⁻⁴，批量大小16，训练50轮；早停策略防止过拟合。
质控流程与评估指标
人工质控：2名高年资医师双盲评估，协商一致为金标准；深度学习质控：自动预处理、识别并生成报告。
评估指标：准确率、敏感度、特异度、F1值；单例质控耗时；重复扫描率。
统计学方法
SPSS 26.0分析，计量资料以（ \bar{x}±s）表示，t检验；计数资料以率（%）表示，χ²检验；P＜0.05为差异有统计学意义。
结果
伪影识别效能
系统整体准确率92.50%、敏感度91.89%、特异度93.10%、F1值0.92。CT金属伪影准确率94.12%，射线硬化伪影87.50%；MRI运动伪影91.67%，磁敏感伪影85.71%，化学位移伪影83.33%（表1）。
表1 不同模态及伪影识别效能（%）
| 模态 | 伪影类型 | 例数 | 准确率 | 敏感度 | 特异度 | F1值 |
| CT | 金属伪影 | 34 | 94.12 | 93.55 | 95.00 | 0.94 |
| CT | 射线硬化伪影 | 8 | 87.50 | 85.71 | 90.00 | 0.88 |
| MRI | 运动伪影 | 24 | 91.67 | 90.91 | 92.31 | 0.91 |
| MRI | 磁敏感伪影 | 7 | 85.71 | 83.33 | 87.50 | 0.85 |
| MRI | 化学位移伪影 | 6 | 83.33 | 80.00 | 85.71 | 0.82 |
质控效率对比
系统单例耗时（1.2±0.3）s，显著短于人工（125.6±20.5）s（t=52.36，P＜0.001）（表2）。
表2 质控耗时对比（ \bar{x}±s，s）
| 质控方式 | 例数 | 单例耗时 |
| 人工质控 | 80 | 125.6±20.5 |
| 深度学习系统 | 80 | 1.2±0.3 |
| t值 | – | 52.36 |
| P值 | – | ＜0.001 |
重复扫描率
应用前40例中7例重复扫描（18.75%），应用后40例中2例（6.25%），差异有统计学意义（χ²=3.13，P＜0.05）。
讨论
CT/MRI伪影成因复杂，人工质控难以满足大规模、高效率的临床质控需求。本系统整体准确率92.50%，对CT金属、MRI运动伪影识别效果突出，可靠性良好。注意力机制可聚焦伪影区域，提升小面积、低对比度伪影识别能力；化学位移伪影准确率偏低，与特征细微、边界模糊有关，可通过扩充同类样本进一步优化。
智能质控速度显著提升，大幅减轻医师工作负荷、加快报告流转；前置筛查可即时纠正不合格图像，降低辐射暴露与患者等候时间，提升就医体验，节约医疗资源。
本研究为单中心、样本量有限，模型泛化能力需多中心大样本数据进一步验证；仅实现伪影识别，未集成伪影校正功能，后续可开发识别+校正一体化智能模块，全面提升影像质量与诊断安全性。
结论
基于深度学习的医学影像质控系统可精准、快速识别CT/MRI多类型伪影，提升质控效率与标准化水平，降低重复扫描率，弥补传统人工质控不足，符合医学影像智慧化发展方向，具有较高临床实用价值与广阔推广前景。
参考文献
[1] 王鹏程.医学影像质控流程中伪影评估标准的建立与实践[J].医学实践与研究,2025,1(1):87-91.
[2] 李铭,张宇,陈阳.基于深度学习的MRI运动伪影自动识别系统的开发与应用[J].中华放射学杂志,2025,59(3):289-294.
[3] 刘畅.16排CT图像常见伪影成因及智能识别技术研究[J].影像科学与光化学,2024,42(6):902-908.
[4] 陈曦,周伟.GE 1.5T磁共振图像质量控制要点与智能化优化策略[J].中国医学装备,2024,21(8):65-68.
...