文章 开放获取 发表时间：2026年8月12日 科学报告（2026年） 引用此文章 我们提供该手稿的未编辑版本，以便提前了解其发现。在最终出版之前，手稿将 undergo 进一步编辑。请注意，可能会存在影响内容的错误，并且所有法律免责声明均适用。 摘要 为了评估深度学习重建（DLR）在膝关节磁共振成像（MRI）中的性能，并评估将 DLR 与人工智能辅助的压缩感知（ACS）技术结合在一起检测膝关节异常的诊断价值。这项前瞻性研究包括10名健康志愿者和40名膝关节异常患者。患者被分为常规组（Con）、ACS组和ACS + DLR组。在健康志愿者的试点研究中优化加速因子（加速因子：1-3）。比较不同组在采集时间、信噪比（SNR）、对比噪声比（CNR）、主观图像质量和诊断信心方面的表现。两名具有10年和15年经验的肌肉骨骼放射科医生以盲法独立审查所有图像。诊断标准基于标准MRI特征，包括信号强度变化、形态畸变和结构不连续性。使用组内相关系数评估观察者间一致性。使用单因素方差分析或Friedman检验（视情况而定）比较Con、ACS和ACS + DLR序列之间的SNR、CNR、主观图像质量和诊断信心的差异。与Con组相比，ACS和ACS + DLR组减少了55%的采集时间，SNR和CNR显著改善。ACS和ACS + DLR组的主观图像质量和诊断信心评分均显著高于Con组。特别是，与ACS组相比，ACS + DLR组在图像质量和诊断信心方面表现优越，得分显著更高。此外，这种组合技术能更清晰地可视化半月板撕裂分级，减少植入物相关伪影，并增强骨髓水肿和周围软组织的描绘。在膝关节MRI检查中，ACS结合DLR不仅减少扫描时间，同时维持或提高图像质量，从而增强对微小结构病变的检测。 资助 本研究未收到来自公共、商业或非营利部门的任何特定资助。 作者信息 作者说明 赵雪与向永对本研究贡献相同。 作者及 afiliations 放射科，贵千国际医院，武当区，贵阳，550018，中国人民共和国 赵雪，向永，殷瑜和陆铭 作者 赵雪 向永 殷瑜 陆铭 通讯作者 联系赵雪。伦理声明 竞争利益 作者声明没有竞争利益。 附加信息 出版者声明 Springer Nature 对已发表地图及机构隶属的管辖权声明保持中立。 权利与权限 开放获取 本文在知识共享署名 4.0 国际许可证下获许可，允许在任何媒介或格式中使用、分享、改编、分发和复制，只要您适当给予原作者和来源功劳，提供知识共享许可证的链接，并说明是否进行了更改。本文中的图像或其他第三方材料包含在文章的知识共享许可证中，除非在材料的信用链接中另有说明。如果材料未包含在文章的知识共享许可证中，并且您的预期使用没有得到法定规定的许可或超出了允许的使用，您需要直接从版权所有者那里获得许可。要查看该许可证的副本，请访问 http://creativecommons.org/licenses/by/4.0/ . 转载和权限 关于本文 引用此文章 赵雪，向永，殷瑜 等。结合深度学习的膝关节AI辅助加速：异常检测的可行性。科学报告（2026年）。https://doi.org/10.1038/s41598-026-66317-3 下载引用 收到：2025年7月18日 接受：2026年8月6日 发表：2026年8月12日 DOI：https://doi.org/10.1038/s41598-026-66317-3 关键词