基于深度学习合成-真实重建与三维稳态自由进动多重叠回波分离成像的快速多参数定量磁共振成像

《NeuroImage》：Rapid Multi-Parametric Quantitative MRI via Deep Learning-Based Synthetic-to-Real Reconstruction and 3D SSFP-MOLED Imaging

　　

摘要： 多参数定量磁共振成像（mqMRI）通过多参数组织表征具有显著的临床潜力，但其应用因扫描时间长以及对非理想信号条件（尤其在高分辨率全脑方案中）的敏感性而受到阻碍。为应对这些挑战，研究人员提出了一种集成相位调制的三维稳态自由进动多重叠回波分离（3D SSFP-MOLED）的新型信号编码方法。该方法通过控制信号采集中重叠回波的分离，将六个生理参数（M0、T1、T2、T2*、B1+、ΔB0）同时编码到k空间。研究人员开发了一个物理约束的合成数据流水线，用于模拟包含真实场变化（ΔB0、B1+不均匀性）的磁共振信号演化，从而能够对网络进行实时参数映射的鲁棒性训练。全脑参数图（1×1×2 mm3分辨率）可在仅使用2倍并行采集加速的情况下于3分钟内获得。在体模、健康志愿者以及患有肿瘤/出血的临床病例上进行了验证。实验结果表明，该方法能够实现高精度和高重复性的快速多参数定量。通过协同自适应信号编码、物理信息合成训练和可重复的深度学习重建，本工作为临床信号处理应用中的高效可靠多参数定量磁共振成像建立了一个新范式。

论文解读：

研究背景、问题与动机

多参数定量磁共振成像（multi-parametric quantitative MRI, mqMRI）作为一种非侵入性方法，能够提供更精确、全面的组织特性信息，并提高诊断准确性。相较于定性成像，定量成像减少了不同设备、时间点和操作者之间的变异性，从而增强了结果的一致性和可重复性。这对于癫痫、多发性硬化症、帕金森病等临床应用以及探索大脑发育和衰老过程具有重要价值。然而，多参数定量数据的获取通常需要结合多种MRI序列，这显著延长了扫描时间。长时间的采集不仅增加了临床时间负担，也加剧了对运动伪影的敏感性，特别是对于那些难以保持静止的患者。此外，从不同序列获取的图像需要进行空间对齐，此过程可能在最终定量图中引入配准错误。

尽管已发展了并行成像、压缩感知、磁共振指纹（MR Fingerprinting）、回波平面时间分辨成像（EPTI）和磁共振多任务（MR multitasking）等多种技术来缩短扫描时间，但实现高速度的成像与重建，特别是对于三维序列而言，仍然是一个重大挑战。基于重叠回波分离（OLED）及其扩展形式（如MOLED、MQMOLED）的成像技术，利用磁共振信号的空间冗余性来高效编码和压缩信息，为实现超快速定量成像提供了另一种思路。然而，现有的MOLED方法均基于回波平面成像（EPI）读出，易产生图像畸变且分辨率受限。为了克服这些局限，并探索一种对B₁和B₀场不均匀性不敏感、可快速获取多参数定量信息的新方法，本研究应运而生。这项研究发表于《NeuroImage》杂志，其核心目标是建立一种高效、可靠的临床多参数定量磁共振成像新范式。

关键技术方法

研究人员开展了一项整合新型信号编码、物理信息合成数据训练和深度学习重建的研究。首先，他们提出了三维稳态自由进动多重叠回波分离（3D SSFP-MOLED）序列。该序列通过施加回波位移梯度，将具有不同对比度权重的多个回波信号分离并编码到同一k空间的不同位置，从而在一次采集中同时编码M₀、T₁、T₂、T₂*、B₁⁺和ΔB₀六个生理参数。其次，为解决真实训练数据稀缺和信号模型复杂的问题，研究人员基于从11名健康志愿者通过传统方法获取的虚拟成像对象，通过包含非理想因素（ΔB₀不均匀性、B₁⁺不均匀性和高斯白噪声）的Bloch模拟，生成了大规模的物理信息合成数据用于网络训练。最后，他们使用二维R2AttNet深度学习网络，将合成的3D SSFP-MOLED图像端到端地映射为定量参数图。网络训练采用了结构相似性（SSIM）损失和L₁损失函数。所有实验数据均在3.0 T磁共振扫描仪上获取，包括对体模、8名健康志愿者（用于重复性测试）以及6例临床病例（包括胶质瘤、脑膜瘤术后和出血灶患者）的扫描，并与传统的参考方法进行了对比验证。

研究结果

3.1. 体模实验

体模实验结果显示，3D SSFP-MOLED获得的T₁、T₂和T₂*定量图与参考方法在9个试管中的测量结果在视觉和定量上均具有高度一致性。线性回归分析显示高相关系数，Bland-Altman分析显示偏差较小且无统计学显著性差异。此外，SSFP-MOLED获得的B₁和ΔB₀图也与参考图吻合良好。这些结果验证了该方法在受控条件下的准确性。

3.2. 体内实验

在健康志愿者体内实验中，3D SSFP-MOLED的定量结果与参考方法同样显示出强相关性。T₁、T₂和T₂的测量值与参考值之间均具有高决定系数和低偏差。与临床快速定量方法（如MOLLI、MESE、ME-GRE）的对比也显示出一致性，尽管MESE方法因受激回波和间接回波的影响可能导致T₂高估。扫描-重扫描重复性测试表明，该方法具有高度的可重复性，T₁、T₂和T₂的组内变异系数中位数分别低至2.06%、2.48%和3.23%，显著低于组间变异，表明该方法能有效区分个体间的生理差异。

3.3. 不同分辨率扫描

研究评估了不同空间分辨率协议的性能。一个2分钟、1.5×1.5×2 mm³分辨率的协议可获得高质量的定量图；而一个7分钟、0.86×0.86×1 mm³分辨率的协议则能以更长的采集时间为代价，实现更细微的脑结构可视化。这证明了该方法在效率与图像质量之间的灵活性。

3.4. 临床实践初步结果

在6例患者的初步临床评估中，3D SSFP-MOLED成功检测到了肿瘤病灶和出血灶/含铁血黄素沉积。定量分析显示，肿瘤区域的T₁、T₂、T₂值相对于对侧正常区域升高，而出血灶因含铁血黄素沉积导致这些值降低。值得注意的是，在一个病例中，一个微小的出血灶仅在T₂图中可见，而在T₁和T₂图中未能观察到，这可能与病灶尺寸小于成像体素导致的部分容积效应有关。

3.5. 加权图像的合成

利用3D SSFP-MOLED获得的多参数定量图，可以轻松合成多种加权图像，如质子密度加权（PDw）、T₁加权（T₁w）、T₂加权（T₂w）和T₂加权（T₂w）图像。合成图像与真实采集的图像在经过颅骨剥离和脑脊液去除后，结构相似性指数（SSIM）值高达96%左右，且灰质、白质和脑脊液的分布基本一致。这展示了该方法在简化临床工作流程、减少扫描时间方面的潜力。

讨论与结论

在讨论部分，研究人员指出，3D SSFP-MOLED利用了MOLED技术高效的信息编码和压缩能力，结合SSFP信号特性，实现了多对比度权重的同时采集。深度学习网络，特别是R2AttNet架构，在利用合成数据解决复杂信号映射问题上表现出色。该方法的主要优势包括：采集速度快、固有的空间一致性（消除了配准误差）以及对系统不完善（如B₁/B₀不均匀性）的鲁棒性。实验验证了该方法在体模和体内的高一致性与可重复性。数值脑实验表明，该方法在一定的信噪比范围和B₀不均匀性条件下能保持稳定的定量准确性。与现有的快速定量方法（如3D MRF、3D MR多任务、3D EPTI）相比，SSFP-MOLED在采集时间、参数数量或重建速度方面展现出竞争力或优势。研究也承认了当前工作的局限性，例如仅使用了2倍并行成像加速，未来可通过更高倍数的加速、运动补偿策略以及多中心大样本验证来进一步提升其性能与临床适用性。此外，该方法在磁化率定量等方面有进一步应用的潜力。

研究结论：

研究人员引入了一种新方法——3D SSFP-MOLED，该方法有助于实现具有高成像质量的快速多参数定量成像。所提方法估算的定量结果显示出优异的重复性和保真度。此外，该方法实现了高信噪比，并且由于其采集时间短，可以最大限度地减少运动伪影。初步临床评估表明，结合合成加权图像的参数映射提供了与常规加权成像相当的病灶检测能力，在微出血显影方面具有独特优势。这种新方法能够在几分钟内实现同时的多参数定量，并可能在疾病的精确检测和早期治疗效果评估中发挥重要作用。