减少获取时间的好处:
1.最大限度地提高患者舒适度，增加访问，提高儿童和其他难以长时间保持静止的个体的扫描质量
2.最大限度地减少镇静和麻醉，减少运动相关的伪影，并提供整体更高质量的诊断图像
结果：
1.69卷中100%具有足够的图像质量，可用于高达4倍加速的通用成像
2.69卷中的65卷(94%)具有足够的图像质量，可用于高达14倍加速的筛查。
3.蒙特卡罗程序估计地真峰值信噪比和均方误差的决定系数大于0.5在2倍至20倍的加速度水平。
总结：对于使用基于深度学习的重建的2D脑图像，潜在筛查的最大加速度是诊断通用成像的三到四倍
对二维脑MRI重建神经网络的评估表明，当目的仅限于筛查重大疾病或结构异常时，最大可能的加速度比诊断性通用成像高三到四倍
方法：1.新的采集策略、2.并行成像、3.压缩感知
定量指标和定性专家评估来检查广泛加速范围内的重建，研究了基于深度学习的重建的局限性
1.扩大并调整了端到端变分网络，以重建标准的临床二维(2D)自旋回波脑MR图像(快速自旋回波t1加权、快速自旋回波T2加权和T2流体衰减反演恢复[FLAIR]图像)，欠采样率范围高达完全采样水平的1/100。
2.将研究限制在沿着单相编码方向的加速上，对于这种方向，即使在适度的加速水平下，使用传统技术也会迅速降低图像质量。
3.目标：探索基于深度学习的重建的特性;确定潜在的用例，例如超越一般成像的短扫描诊断筛查;暴露出易出错的地方
模型：为了提高性能，我们对端到端变分网络进行了一些更改1.将其从2950万个参数扩大到2.31亿个参数。
2架构修改包括以下内容:
(a)使用所有k空间数据，而不仅仅是密集采样的中心来估计线圈的灵敏度;
(b)使用densenet启发的(15)跳过连接到从级联中所有层的零填充k空间重建的图像;
(c)将级联数量增加至18个，并将每个级联U-Net的大小增加至20个通道，并设有5个池化层;
(d)在每一层使用残余的U-Net(16)而不是标准的U-Net（零填充跳过连接网络(ZSNET)）。
定性定量分析：
计算微调模型重建的图像与fastMRI测试集中的真实图像之间的结构相似指数(SSIM)和峰值信噪比(PSNR)来评估模型。
定性1.重构图像的质量随着加速度的增加而衰减
2.图像质量下降的程度与图像内容有关。
在正常情况下，t2加权图像质量在整个加速方案中相对稳定，在非常高的加速度下逐渐引入模糊(图1A)。
其中一个异常病例也有类似的表现
3.在非常高的加速度水平下，存在一些质量效应的伪归一化。伪归一化表明模型的一种效果，使异常的大脑看起来正常。
在复杂环状增强质量的异常情况下(图1C)，随着t1加权重建的加速，异常似乎逐渐被抹去，在100倍的加速度下变得更加伪规范化
定量：当对标准均衡采样模式进行微调时，ZSNET在fastMRI公共排行榜上在4倍时达到0.9595 SSIM，在8倍时达到0.9433 SSIM(原始的端到端变分网络为0.9591和0.9426)，在上传时两种加速度都排在第二位
评估了图像质量:
(a)诊断成像的可接受图像质量
（b)快速MRI的潜在筛选应用
在高加速率下，深度学习压缩感知重建方法可以重建图像，这些图像在视觉上与未加速的数据采集无法区分，并获得了高评分的定量指标，如根MSE到地面真值或SSIM，但存在缺失病理特征的问题，正如本研究中的伪规范化效应所示。对于细微的异常，伪规范化更为严重。这已经成为深度学习压缩感知重构领域中一个众所周知的问题。
研究的局限性。
1.数据集来自一个机构和一个供应商，没有外部测试，包括有限的序列(即T2加权，T2 FLAIR和T1加权)。
2.数据来自有限的切片厚度(3-5 mm)。此外，我们的抽样模式是回顾性的;无法测量在预期获得的图像中发现的自旋回波序列对比度的潜在变化
3.尽管筛查阈值较高，指标在潜在筛查和通用成像之间通常没有区别。
