临床痛点与解决思路
磁共振波谱能无创检测脑内代谢物，但单体素采集信噪比低，常需128次平均才能获得稳定谱线，扫描时间约4.5分钟，患者配合困难且易产生运动伪影。减少平均次数可缩短时间，但谱线噪声增大，影响代谢物定量可靠性。
该工作提出用深度学习对少平均次数波谱进行去噪：以24次平均信号为输入，输出去噪后谱线，目标接近128次高信噪比波谱。模型训练仅使用健康人脑额叶活体波谱，避免依赖仿真数据或大量标注，便于临床落地。
训练数据与模型构建
训练数据来自活体人脑：共采集35个单体素波谱，包括18名健康志愿者和3名患者，覆盖9个脑区（双侧额叶前部、后部，左枕叶，右顶叶，扣带后回，以及胶质瘤区和脑梗区）。模型训练仅使用其中25个健康人脑额叶波谱，其余数据用于鲁棒性测试。
这种设计使模型在少量实测数据下学习去噪映射，不依赖大量仿真或配对高信噪比数据。训练后的模型可直接用于其他脑区及病灶区波谱，初步测试显示对顶叶、枕叶、扣带回、肿瘤和脑梗区均有去噪效果。
去噪性能与定量验证
对健康人脑波谱，24次平均信号经人工智能去噪后接近128次高信噪比波谱，采集时间从约4.5分钟降至约50秒，实现省时且高保真去噪。定量分析显示，去噪后代谢物浓度与128次平均结果高度一致。
与先进低秩去噪方法相比，人工智能去噪在定量代谢产物Glx和tCho上具有更高准确性和置信度。绝对定量和相对定量中，失败比例和相对误差均较低，表明去噪后谱线可用于稳定可靠的代谢物量化。
鲁棒性与适用范围
模型仅用健康额叶数据训练，但在健康人顶叶、枕叶、扣带回以及胶质瘤、脑梗区波谱上均能有效去噪，说明其具有一定泛化能力。这为临床多脑区、多病种应用提供了便利，无需针对每个脑区重新采集大量训练数据。
需要注意的是，病灶区波谱受组织病理影响，代谢物基线可能改变，去噪后仍需结合常规影像和临床信息判读。当前结果为初步测试，扩大样本和病种验证是后续方向。
临床落地与云平台
为方便临床使用，研究团队搭建了人工智能波谱量化处理云平台，支持上传SDAT和SPAR原始数据，自动完成代谢物定量和报告生成，提供云端免费在线分析。临床科室无需本地高性能计算设备即可获得去噪和定量结果。
该平台将深度学习去噪与波谱量化整合，缩短从采集到报告的时间，适合在放射科工作流中试用。使用者应注意数据隐私和网络传输安全，并按照平台提示规范上传原始文件。
