關(guān)注“醫(yī)工學(xué)人”澎湃號及公眾號，第一時間獲取醫(yī)工交叉領(lǐng)域新聞動態(tài)~

----

結(jié)構(gòu)磁共振（MR）成像中，運動偽影、低分辨率、成像噪聲和采集方案的可變性經(jīng)常會降低圖像質(zhì)量并影響下游分析。12月5日，北卡羅來納大學(xué)教堂山分校的研究者們在Nature Biomedical Engineering發(fā)表研究文章，報告了用于 MR 圖像的運動校正、分辨率增強、去噪和協(xié)調(diào)的基礎(chǔ)模型。

結(jié)構(gòu)磁共振成像 （MRI） 是一種成熟的、非侵入性且安全的技術(shù)，用于表征人腦，因為它具有出色的軟組織對比度和無輻射。然而，盡管有其優(yōu)點，但在采集過程中，來自頭部運動甚至心跳、呼吸或眨眼的任何參與者運動都可能導(dǎo)致嚴重的模糊和重影偽影，導(dǎo)致混雜效應(yīng)和后續(xù)神經(jīng)影像學(xué)分析的挑戰(zhàn)，包括組織分割、配準(zhǔn)、圖譜構(gòu)建、分組和組比較。

為了減輕運動偽影，已經(jīng)提出了各種技術(shù)，這些技術(shù)可以大致分為兩類：前瞻性和回顧性校正方法。前瞻性方法旨在防止數(shù)據(jù)采集過程中出現(xiàn)偽影；回顧性方法在采集后使用 navigator 去除或減少偽影或跟蹤鏈接或迭代算法。但是這些方法通常計算成本高昂，并且需要補充數(shù)據(jù)以及重建的圖像，例如原始頻域 （k-space） 數(shù)據(jù)，這些數(shù)據(jù)并不總是可用于大規(guī)模開放數(shù)據(jù)集。在此背景下，基于深度學(xué)習(xí)的方法已成為運動校正的潛在解決方案。這些方法消除了對昂貴的額外硬件、序列修改或補充 k-space 數(shù)據(jù)的需求。然而，雖然這些方法已經(jīng)顯示出成功，但它們?nèi)匀粫a(chǎn)生帶有殘留偽影和解剖學(xué)不正確的組織的圖像。

除了運動偽影外，由于成像硬件、信噪比 （SNR）、時間限制和參與者舒適度的限制，腦部 MRI 通常具有較大的平面厚度或低分辨率。以及使用 MRI 數(shù)據(jù)的另一個顯著挑戰(zhàn)是巨大的中心間數(shù)據(jù)異質(zhì)性，這源于掃描儀制造商、型號和成像參數(shù)的變化。這種異質(zhì)性阻礙了來源之間的可比性，并對臨床和研究結(jié)果產(chǎn)生不利影響。

圖1  BME-X模型概述（圖源：Nature BME）

綜上，研究者們提出了一種靈活且易于實現(xiàn)的腦部 MRI 增強基礎(chǔ) （BME-X） 模型，如圖 1所示。通過運動校正、超分辨率、去噪、協(xié)調(diào)和對比度增強顯著提高大腦 MR 圖像質(zhì)量。

首先，該研究通過6個數(shù)據(jù)集的2,088張合成損壞圖像及19個數(shù)據(jù)集10,963體內(nèi)圖像驗證BME-X模型的優(yōu)勢。其次，進行消融研究以驗證組織分類模塊在提高圖像質(zhì)量方面的有效性。第三，全面評估了 BME-X 在處理具有不同運動偽影、降采樣、高斯噪聲、里西亞噪聲和平滑度的損壞圖像時的魯棒性。第四，評估了重建過程中是否引入任何潛在的偏倚。第五，探討了 BME-X 估計 3 個 T MRI 高場樣（7-T 樣）圖像的能力。第六，證明了 BME-X 在去除各種情況的異常腦部 MRI 偽影方面的有效性。第七，應(yīng)用 BME-X 來協(xié)調(diào)不同掃描儀之間的腦部 MRI。第八，將 BME-X 模型擴展到幾個下游任務(wù)，包括組織分割、配準(zhǔn)、分包和診斷。

圖2  24 個月大時體內(nèi) T1w 圖像增強結(jié)果的視覺比較

圖3  180 張來自 BCP 的 24 個月大合成的損壞 T1w 圖像的增強結(jié)果，由四種競爭方法和基礎(chǔ)模型生成

圖4  來自 5 個數(shù)據(jù)集的 1,908 張合成損壞圖像的增強結(jié)果

圖5  BME-X 模型對整個人類生命周期中 10,963 張體內(nèi)低質(zhì)量圖像的增強結(jié)果，從 19 個數(shù)據(jù)集中收集。

圖6  來自競爭方法和 BME-X 模型的 MR-ART 數(shù)據(jù)集中 280 張體內(nèi)損壞的 T1w 圖像的增強結(jié)果和偏差量化

圖7  BME-X 模型的超超分辨率重建。

圖8  不同大腦狀況下異常大腦圖像的增強結(jié)果。

綜上，該研究訓(xùn)練了一個組織分類神經(jīng)網(wǎng)絡(luò)來預(yù)測組織標(biāo)簽，然后 “組織感知 ”增強網(wǎng)絡(luò)利用這些標(biāo)簽來生成高質(zhì)量的 MR 圖像。模型在一個大型且多樣化的數(shù)據(jù)集上進行了有效性驗證。該模型在提高 MR 圖像質(zhì)量、處理患有多發(fā)性硬化癥或神經(jīng)膠質(zhì)瘤的病理性大腦、從 3 T 掃描生成 7-T 樣圖像以及協(xié)調(diào)從不同掃描儀獲取的圖像方面始終優(yōu)于最先進的算法。該模型生成的高質(zhì)量、高分辨率和協(xié)調(diào)的圖像可用于增強模型在組織分割、配準(zhǔn)、診斷和其他下游任務(wù)方面的性能。

文章鏈接：

https://www.nature.com/articles/s41551-024-01283-7

*中文報道文章僅供參考，建議讀者閱讀英文原文。