使用三维U-Net生成高角分辨率扩散成像
本研究纳入251例脑肿瘤或癫痫患者,利用3D U-Net从b=0图像及前32个MPG方向预测后32个MPG方向的高角分辨率扩散成像数据,并在测试集30例中评估。预测数据加入后,Q-ball和广义q-sampling成像示踪的DSC均显著高于仅用输入数据,提示AI生成的MPG图像可改善扩散示踪。
要点
- 3D U-Net可基于b=0及前32个MPG方向预测后32个MPG方向,预测图像各向异性对比与参考图像相似。
- 加入预测数据后QBI示踪DSC由0.697升至0.715,GQI由0.738升至0.769,均显著高于仅输入数据。
- 预测数据使QBI和GQI的ODF与参考数据更接近,JSD和ACC均显著改善。
核心结论
- 加入人工智能模型生成的预测MPG图像可改善扩散示踪。
研究设计与样本
- 回顾性研究纳入251例因脑肿瘤或癫痫接受MRI示踪成像的患者,数据来自2016年2月至2021年3月的院内临床检查。
- 数据集分为训练集191例(平均年龄45.7±19.1岁)、验证集30例(平均年龄41.6±19.1岁)和测试集30例(平均年龄49.6±18.3岁)。
- 采用3T临床扫描仪(MAGNETOM Skyra,Siemens Healthcare)和20通道矩阵头线圈,DWI为单次激发EPI,b=3000 s/mm²,64个MPG方向及单幅b=0图像,扫描时间625秒。
- 以b=0图像和前32个MPG轴为输入、后32个MPG轴为参考数据,监督训练3D U-Net卷积神经网络,损失函数为均方误差,优化器为Adam。
- 参考标准为b=0图像加全部64个MPG方向采集的原始数据。
关键影像表现/征象
- 预测图像在各MPG方向上与参考图像具有相似的各向异性对比,各MPG平均SSIM无明显离群趋势。
- 测试集平均SSIM为0.964±0.010,平均PSNR为35.41±1.59 dB。
- FA和彩色FA图在参考数据、仅输入数据及输入加预测数据间视觉上无明显差异。
诊断标准与关键数值
- 测试集预测数据平均SSIM为0.964±0.010,平均PSNR为35.41±1.59 dB。
- JSD:仅输入数据为1.25×10⁻⁴,输入加预测数据为6.75×10⁻⁵,输入加预测数据显著更接近参考数据(p<0.001)。
- ACC:仅输入数据为9.9954×10⁻¹,输入加预测数据为9.9974×10⁻¹,输入加预测数据显著更接近参考数据(p<0.001)。
- QBI示踪DSC:仅输入数据0.697±0.070,输入加预测数据0.715±0.064,输入加预测数据显著更高(p<0.05)。
- GQI示踪DSC:仅输入数据0.738±0.118,输入加预测数据0.769±0.091,输入加预测数据显著更高(p<0.01)。
临床应用与阅片要点
- 在QBI示踪中,输入加预测数据的DSC较仅输入数据提高,35/57束(61.4%)DSC值增加。
- 在GQI示踪中,输入加预测数据的DSC较仅输入数据提高,42/58束(72.4%)DSC值增加。
- FAT的QBI示踪DSC:仅输入数据0.502±0.124,输入加预测数据0.531±0.128,输入加预测数据显著更高(p<0.001)。
- FAT的GQI示踪DSC:仅输入数据0.793±0.101,输入加预测数据0.816±0.093,输入加预测数据显著更高(p<0.001)。
局限性
- QBI示踪中3束CST无法可视化(3号受试者右侧、22号、30号),比较使用剩余57例。
- GQI示踪中2束CST无法可视化(3号、30号右侧),比较使用58例。
- QBI示踪中3束FAT无法可视化(21号双侧、29号右侧),比较使用剩余57例。
- GQI示踪中2束FAT无法可视化(27号右侧),比较使用59例。
- 作者指出ACC即使在仅输入数据时也已显示与参考数据高度相似,加入预测数据影响不大。
全文中译15 节 · 点击展开
引言
扩散加权成像(DWI)是一种独特的MRI类型,能够无创地获取体内信息。它以其检测急性脑梗死的卓越能力而闻名,尤其是与表观扩散系数(ADC)相结合时,后者可通过DWI获取。因此,它已成为临床实践中不可或缺的序列。扩散张量成像(DTI)是作为DWI的一种应用而设计的,利用各向异性分数(FA)获取典型的定量值[1]。它被用于各种临床和研究环境。扩散张量纤维束成像(DTT)通过追踪特征向量来描绘脑内白质纤维束。它被用于各种临床情况,如脑肿瘤术前规划、术后功能评估、脑发育评估以及追踪退行性疾病的病程[2–6]。然而,DTI和DTT将体素内的扩散信息近似为椭球体,使得交叉纤维的表达变得困难。高角分辨率扩散成像(HARDI)通过表示交叉纤维区域来解决这一问题[7]。基于这种方法,其他方法被开发出来,利用运动探测梯度(MPG)增加角度信息量。这些包括Q球成像(QBI)[8]、约束球面反卷积(CSD)[9]和广义q采样成像(GQI)[10]。使用这些基于HARDI的技术使得识别听觉辐射和下纵束交界处的复杂白质通路成为可能[11]。QBI纤维束成像在识别运动语言皮层[12]和卒中的脑起源方面比DTT更可靠。CSD纤维束成像已被证明比DTI具有更好的可视化能力,其临床实用性高[13]。
近年来,机器学习和深度学习技术在MRI中的应用取得了进展。人工智能(AI)在MRI中的各种用途已有报道,包括噪声去除[14]、脑肿瘤鉴别[15]、对比剂减少[16]和脑动脉瘤检测[17]。其中一些已开始用于临床环境。当然,AI在DWI中的应用也很普遍。具体而言,已有关于噪声和伪影去除[18, 19]、超分辨率[20]、扩散轮廓评估[21]、纤维束成像[22]和白质提取[23]的报道。以这种方式使用AI,不仅有可能提高图像质量,还有可能支持诊断。然而,近年来,DWI分析和成像条件变得更加复杂。需要单一b值但多个MPG的分析方法[8–10]或需要多个b值的分析方法有所增加,如扩散峰度成像[24]、神经突方向离散度和密度成像[25]。因此,使用DWI的成像时间往往比DTI更长。使用多频带回波平面成像(EPI)[26–28]和同时多切片(SMS)[29–31]等多级同时激发技术可以缩短成像时间,但存在权衡,即由于成像数据不足而导致图像质量较差[32]。因此,使用这些技术缩短DWI成像时间是有限的。
迄今为止,人工智能在该领域主要用于改善所采集图像的某些方面,例如图像质量,或如前所述提高区分疾病的精确度。在本研究中,我们采取了一种完全不同的方法,目的是让AI生成预测的DW图像。我们研究了通过使用AI生成通常需要MRI采集的图像,能够在多大程度上缩短扫描时间并确保图像质量(纤维束成像准确性)。我们使用多个定量参数评估HARDI数据(包括AI生成的图像),并检验该方法的效用。
材料与方法
受试者数据
本研究的受试者为251例,这些病例作为回顾性数据,已在脑肿瘤切除术、伽玛刀手术或癫痫发作手术前作为院内临床检查进行过QBI纤维束成像。这些检查于2016年2月至2021年3月期间进行。
这些图像的分析使用经东京大学伦理委员会批准的方案进行。所有程序均按照2013年修订版《赫尔辛基宣言》的宗旨执行。由于研究的回顾性性质,伦理委员会豁免了知情同意要求。
成像参数与预处理
所有MR图像均使用3T临床扫描仪(MAGNETOM Skyra,Siemens Healthcare,Erlangen,Germany;最大梯度强度45 mT/m,最大切换率200 mT·m−1·s−1)和商用20通道矩阵头线圈采集。单次激发EPI的DWI参数为:重复时间/回波时间 = 8900/89 ms,平面内加速因子(广义自动校准部分并行采集因子)= 2,层厚/层间距 = 2.5/0 mm,层数 = 60,视野 = 240 × 240 mm2,矩阵 = 96 × 96,体素大小 = 2.5 × 2.5 × 2.5 mm3,b = 3000 s/mm2,多个MPG = 64个方向及单幅b = 0 s/mm2图像,相位编码方向沿前后轴,扫描时间 = 625 s。我们还获取了沿后前轴相位编码方向反转的b0 s/mm2图像,用于畸变校正过程。在预处理中,我们使用MRtrix3 [38]进行噪声去除[33–35]和振铃伪影去除[36, 37],使用FSL top-up [39]和eddy [40]进行畸变和运动校正,然后使用MRtrix3进行B1场校正[41]。用于解剖图像的3D T1加权图像参数为:重复时间/回波时间 = 1900/3.16 ms,层厚 = 1.25 mm,层数 = 128,视野 = 240 × 240 mm2,矩阵 = 192 × 192,体素大小 = 1.25 × 1.25 × 1.25 mm3,反转时间:962 ms,扫描时间 = 206 s。
卷积神经网络
我们的数据集分为训练集(n = 191)、验证集(n = 30)和测试集(n = 30)。我们采用3D U-net学习模型(图1),该模型使用Python 3.9.7(https://www.python.org/)和tensorflow-gpu 2.8.0(https://www.tensorflow.org/)创建,运行于配备Core i9-12900F中央处理器、128 GB随机存取存储器和GeForce RTX 3090图形处理器的计算机上。我们使用b0图像和HARDI数据的前32个轴作为输入数据。HARDI数据的其余32个轴用作教学数据,MPG32轴输出用作预测数据。表1显示了本研究中采用静电排斥法[42]的MPG阵列。
在学习时,我们计算了教学数据与预测数据之间的损失函数为均方误差(MSE)。我们使用Adam作为优化器。超参数使用验证数据进行优化。3D U-net模型的超参数为:卷积核大小,3;步长,2;激活函数,修正线性单元。监督学习过程的超参数为:小批量大小,15;迭代轮数,300。训练好的模型应用于测试数据以获得预测数据。
图像评估
首先,以参考数据的后半部分作为金标准,计算预测数据在每个MPG轴上的结构相似性(SSIM)。我们使用MATLAB 2020b的multiSSIM3函数计算SSIM。我们还计算了峰值信噪比(PSNR)。接下来,我们仅对前32个MPG轴的数据(输入数据)计算了方向分布函数(ODF)及数据的相似性。比较了参考数据的ODF与输入加预测数据的ODF。ODF计算使用Diffusion toolkit(https://trackvis.org/dtk/)进行,定量值比较使用Jensen-Shannon散度(JSD)和角度相关系数(ACC)[43]进行。JSD用于量化两个纤维方向分布(FOD)或ODF之间的相似性。我们将两个ODF投影到均匀分布在球面上的181个值上。JSD定义为:其中P(i)和Q(i)分别是组织学和MRI FOD(或ODF)沿索引i(i = 1 …181)的幅度,DKL是Kullback–Leibler散度:
我们在给定两个函数的球谐(SH)展开的情况下,计算了球面上函数的相关性。给定两个球面函数及其SH展开,函数ACC的计算如下:
SSIM、JSD和ACC的计算区域使用b0图像进行掩膜处理。
我们在软件中进行了扩散张量分析,并从特征值生成了FA和彩色FA。此外,在彩色FA图上,于正常侧的大脑脚(ROI1)、内囊后脚(ROI2)、放射冠(ROI3)和半卵圆中心(ROI4)设置感兴趣区(ROI)。ROI测量的受试者为24例患者,排除了6例双侧病变、脑干病变和多发转移的患者。并计算了FA和特征值1(E1)的平均值和标准差(SD)。ROI由一名放射技师(17年MRI经验)和一名放射科医师共同手动设置(图2)。
红色椭球体表示彩色FA图上各轴位层面的ROI。ROI1表示大脑脚,ROI2表示内囊后脚,ROI3表示放射冠,ROI4表示正常侧半卵圆中心。
最后,使用Q球成像纤维束成像和广义q采样成像纤维束成像对左右皮质脊髓束(CST)和额枕束(FAT)进行了可视化,并计算了与参考数据的Dice相似系数(DSC)。
QBI纤维束成像使用TrackVis(https://trackvis.org/)进行,GQI纤维束成像使用DSI Studio(https://dsi-studio.labsolver.org/)进行。CST的ROI通过TractSeg [23]分析自动获得。种子ROI为大脑脚,目标点为初级运动皮层。正中矢状面手动设置为回避ROI(图3)。
黄色表示作为种子点的大脑脚,绿色表示作为目标点的初级运动皮层,蓝色表示作为回避ROI的正中矢状面。
FAT的ROI由一名放射科技师(17年MRI经验)和一名放射科医生共同手动设置。T1加权图像使用FMRIB线性图像配准工具FLIRT(https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FLIRT)配准至b0图像。种子点为(辅助运动区;SMA和前SMA),目标点设置于额下回(IFG)岛盖部、IFG三角部和IFG眶部 [44](图4)。
绿色区域表示作为种子点的SMA和前SMA,蓝色区域表示额下回(IFG)岛盖部、IFG三角部和IFG眶部。
各软件的追踪算法等设置均使用默认条件。对皮质脊髓束进行体素化后,我们计算了DSC [45]。DSC计算公式为:其中x为参考数据中的皮质脊髓束体素,y为使用输入或输入加精度数据生成的纤维束中对应的体素,V为相关体素的体积。
统计学
事后分析采用Freidman检验,并对FA和E1应用Bonferroni校正(p < 0.0167)。JSD、ACC和DSC数据采用Wilcoxon符号秩检验(p < 0.05)。
统计分析使用EZR 4.3.1版软件进行(https://www.jichi.ac.jp/saitama-sct/SaitamaHP.files/download.html)。
除非另有说明,数据以均值 ± 标准差表示。每项检验还计算了效应量 [46]。
结果
患者背景
表2和表3显示了各数据组参与者的医疗状况。训练集、验证集和测试集患者的平均年龄(± 标准差)分别为45.7(± 19.1)、41.6(± 19.1)和49.6(± 18.3)。
对于脑疾病,训练数据中仅有一例患者的病例被归类为“其他”。同样,当给定肿瘤部位仅有一例时,被归类为“其他”。
无相关数据或数值的肿瘤部位和脑疾病类型用连字符(-)标记(表2)。
使用测试数据进行DWI相似性评估
测试数据的平均SSIM为0.964(±0.010)。所有数据的最小和最大SSIM分别为0.913和0.982。测试数据的平均PSNR为35.41 dB(±1.59)。所有数据的最小和最大PSNR分别为30.36和38.32(补充数据)。对参考数据和预测数据进行了图像比较。对于每个MPG,预测图像与参考图像具有相似的各向异性对比度(图6)。
所示病例为一名27岁女性,左侧丘脑星形细胞瘤。
对于每个MPG,预测图像与参考图像具有相同的各向异性对比度。
MPG,运动探测梯度。
每个MPG的平均SSIM趋势中未见明显离群值(图7)。
蓝点代表平均结构相似性。误差棒代表每个运动探测梯度的标准差。
MPG,运动探测梯度;SSIM,结构相似性。
测试数据的扩散剖面评估
对于JSD和ACC,输入加预测数据均显著比仅输入数据更接近参考数据(p < 0.001);即ODF相似。对于JSD,输入数据为1.25*10–4,输入加预测数据为6.75*10–5。对于ACC,输入数据为9.9954*10–1,输入加预测数据为9.9974*10–1。图8和图9显示了示例病例的结果。
与仅输入数据相比,输入+预测数据的JSD更接近0,ACC更接近1。根据JSD和ACC定义方程,这表明与参考数据的扩散剖面具有高度相似性。该结果在所有个体数据和总体平均值中均一致。
所示病例为一名75岁男性,右侧额顶区原发性中枢神经系统淋巴瘤。JSD越接近0,与参考数据扩散剖面的相似性越高。
总体而言,输入加预测数据(橙色棒)比仅输入数据(蓝色棒)具有更高的相似性(剖面向左偏移)。
ACC是一个定量值,表示越接近1,相似性越高。总体而言,输入加预测数据(橙色棒)的相似性优于仅输入数据(蓝色棒)(剖面向左偏移)。
ACC,角度相关系数;JSD,Jensen-Shannon散度。
所示病例为一名71岁男性,左侧颞叶间变性星形细胞瘤。可以看出,加入预测数据改善了JSD和ACC的定量值。然而,尤其是在ACC中,即使仅输入数据也显示出与参考数据的高度相似性,因此加入预测数据并未产生较大影响。
ACC,角度相关系数;JSD,Jensen-Shannon散度。
测试数据的张量分析
FA和彩色FA图的示例图像见图10和图11。各图中,上排为参考数据图像,中排为仅输入数据图像,下排为输入加预测数据图像。视觉上未见明显差异。
所示病例为一名37岁女性,患有右侧颞叶胶质母细胞瘤。上排为参考数据的图像,中排为仅输入数据的图像,下排为输入加预测数据的图像。视觉上无明显差异。
所示病例为一名37岁女性,患有右侧颞叶胶质母细胞瘤。上排为参考数据的图像,中排为仅输入数据的图像,下排为输入加预测数据的图像。视觉上无明显差异。
ROI1中参考数据的平均FA和SD为0.552(± 0.077),仅输入数据为0.562(± 0.078),输入加预测数据为0.554(± 0.080)。ROI2中参考数据的平均FA和SD为0.521(± 0.044),仅输入数据为0.512(± 0.041),输入加预测数据为0.520(± 0.046)。ROI3中参考数据的平均FA和SD为0.471(± 0.044),仅输入数据为0.470(± 0.052),输入加预测数据为0.471(± 0.048)。ROI4中参考数据的平均FA和SD为0.434(± 0.049),仅输入数据为0.437(± 0.050),输入加预测数据为0.437(± 0.051)。在ROI2中,参考数据与仅输入数据之间(p < 0.001)以及仅输入数据与输入加预测数据之间(p < 0.01)存在显著差异。
ROI1中参考数据的平均E1 [µm/ms2]和SD为0.664(± 0.11),仅输入数据为0.659(± 0.11),输入加预测数据为0.655(± 0.11)。ROI2中参考数据的平均E1 [µm/ms2]和SD为0.682(± 0.067),仅输入数据为0.680(± 0.066),输入加预测数据为0.680(± 0.071)。ROI3中参考数据的平均E1 [µm/ms2]和SD为0.684(± 0.051),仅输入数据为0.683(± 0.048),输入加预测数据为0.680(± 0.049)。ROI4中参考数据的平均E1 [µm/ms2]和SD为0.695(± 0.057),仅输入数据为0.694(± 0.057),输入加预测数据为0.695(± 0.059)。各比较条件之间无显著差异(补充数据)。
在存在显著差异的比较中,ROI2的FA在参考与仅输入之间、以及仅输入与输入加预测之间的效应量分别为0.213和0.164。这些比较中的效应量为“小(0.1至0.3)”。其他效应量小于0.1(补充数据)(图12)。
ROI1表示大脑脚,ROI2表示内囊后脚,ROI3表示放射冠,ROI4表示正常侧半卵圆中心。
在(a)FA值比较中,仅输入与参考之间、仅输入与输入加预测之间出现了显著差异。在(b)E1值比较中,无显著差异。
测试数据的纤维束成像评估
对于纤维束成像的DSC,使用TractVis的QBI纤维束成像无法可视化三束CST(受试者3号右侧、22号和30号)。因此,这三例被排除在我们的比较之外,比较使用其余57例进行。仅输入数据的平均DSC为0.697(± 0.070)。输入加预测数据的平均DSC为0.715(± 0.064)。预测数据的DSC显著高于仅输入数据(p < 0.05)。使用DSI Studio的GQI纤维束成像也未能可视化两束CST(3号受试者、30号右侧)。因此,排除这两例后使用58个样本进行比较。仅输入数据的平均DSC为0.738(± 0.118)。输入加预测数据的平均DSC为0.769(± 0.091)。同样,预测数据的DSC显著高于仅输入数据(p < 0.01)。
QBI和GQI的效应量分别为0.263和0.288。
图13和14所示的图像示例来自同一患者。它们展示了DSC因追踪错误增加和提取区域减少而下降的趋势(图13和14)。对于图13所示的病例,GQI下左侧和右侧皮质脊髓束的DSC在输入数据中分别为0.693和0.740,在输入加预测数据中分别为0.721和0.808。
所示病例为一名34岁男性,左侧额叶胶质瘤。数值代表左侧和右侧皮质脊髓束的DSC。左侧和右侧皮质脊髓束的DSC在输入数据中分别为0.693和0.740,在输入加预测数据中分别为0.721和0.808。
DSC,Dice相似系数;L,左侧;R,右侧。
对于图14所示的病例,QBI下左侧和右侧CST的DSC在输入数据中分别为0.676和0.714,在输入加预测数据中分别为0.687和0.734。
所示病例为一名34岁男性,左侧额叶胶质瘤。数值代表左侧和右侧皮质脊髓束的DSC。左侧和右侧皮质脊髓束的DSC在输入数据中分别为0.676和0.714,在输入加预测数据中分别为0.687和0.734。
DSC,Dice相似系数;L,左侧;R,右侧。
QBI下观察到35/57束(61.4%)的DSC值增加,GQI下为42/58束(72.4%)。这表明AI模型对纤维束成像可视化能力产生了总体改善。
对于FAT,使用TractVis的QBI纤维束成像无法可视化三束FAT(21号受试者双侧,以及29号受试者右侧)。因此,这三例被排除在我们的比较之外,比较使用其余57例进行。仅输入数据的平均DSC为0.502(± 0.124)。输入加预测数据的平均DSC为0.531(± 0.128)。预测数据的DSC显著高于仅输入数据(p < 0.001)。使用DSI Studio的GQI纤维束成像也未能可视化两束FAT(27号受试者右侧)。因此,排除一例后使用59个样本进行比较。仅输入数据的平均DSC为0.793(± 0.101)。输入加预测数据的平均DSC为0.816(± 0.093)。同样,预测数据的DSC显著高于仅输入数据(p < 0.001)。
QBI和GQI的效应量分别为0.235和0.240。
在QBI中观察到42/57个纤维束(73.7%)的DSC值增加,在GQI中观察到40/59个纤维束(67.8%)的DSC值增加。这表明AI模型在纤维束成像可视化能力方面产生了普遍改善。
讨论
在本研究中,我们从已成像的DWI HARDI数据生成了未成像的DWI。使用AI进行图像生成的研究已评估了从MR T1加权图像生成CT [47]、从对比增强T1加权图像生成蛋氨酸正电子发射断层扫描 [48],以及从DWI生成液体衰减反转恢复 [49]。然而,这是首项在同一序列中生成相同对比度预测图像的研究。我们已表明,从HARDI数据集前半部分生成的该数据集后半部分与已成像的后半部分数据密切匹配,结果几乎不因MPG轴而产生偏倚。仅使用SSIM无法进行绝对相似度评估,但先前使用3D U-net结合其他SSIM进行图像相似度研究 [50–52] 表明,本研究生成的图像具有相对较高的相似度。然而,图像的平滑性可能导致SSIM显示较高值,需要进一步研究。本研究中使用的QBI和GQI是基于HARDI的数据集。基于HARDI的数据集比DTI提供更多关于交叉纤维的信息,但由于需要更多MPG方向,成像时间更长。虽然可以使用SMS缩短成像时间,但已知SMS因子的增加会导致图像质量下降。此外,此类伪影不同于在层内或沿层连续出现的经典伪影,使其解读具有挑战性 [31]。我们的方法可以通过从已成像数据的前半部分生成后半部分来缩短成像时间。以这种方式生成图像可以减少由SMS引起的伪影发生率。
DWI数据通常经过预处理以进行噪声去除 [33–35]、失真校正和运动校正 [39, 40]。关于身体运动,成像时间越长,身体越可能从初始位置移动,这将降低校正精度。然而,这是一项静息态fMRI研究,据报道,在此类研究中,76%的数据可在20分钟成像时间的前10分钟内采集完成 [53]。在此基础上可以推断,扫描时间越长,扫描时间后半部分数据的可靠性越低。考虑到这一点,本文提出的方法可通过将成像时间减半来有效提高成像数据的准确性和可靠性。
采用结构相似性指数(SSIM)评估原始图像的相似性,采用Jensen-Shannon散度(JSD)和准确率(ACC)评估扩散剖面的相似性。本研究中,使用输入加预测数据生成的ODF值与参考数据的ODF值比仅使用输入数据计算的ODF值更为相似。JSD和ACC值证明了这一点。据报道,大脑中60%–90%为交叉纤维[54]。此外,已有研究证实,使用CSD可视化纤维束成像需要约60个轴的MPG[55],并且在DTI分析中使用64轴数据比30轴数据可提高可视化性能。另有报道指出,30个MPG轴数量不足[11]。当然,不能断言64轴MPG已经足够,但通过该64轴MPG人工智能添加生成图像的有效性已得到证明。
我们进行了张量分析以计算定量值,并使用ROI测量比较了FA和E1。在FA图或彩色FA图上视觉上未观察到差异(图10和图11)。关于ROI测量,输入加预测数据与参考数据之间无显著差异。尽管仅在ROI2的输入数据中FA出现了显著差异,但该结果可以说提示了本方法的有效性。
我们使用QBI和GQI分析评估了纤维束成像的可视化性能。在两种分析算法中,与ODF研究类似,加入预测数据后,相对于参考数据的值较仅使用输入数据有所改善。从纤维束成像描绘的角度来看,我们发现加入AI数据可提高预测数据与参考数据的相似性。此前一项评估QBI纤维束成像针对视辐射的可重复性的研究发现,使用扫描-再扫描数据的纤维束成像DSC为0.6–0.75[56]。当前输入加预测数据对CST的结果(DSC = 0.715)处于该范围内,提示图像可能等同于扫描-再扫描。
另一方面,FAT的结果(DSC = 0.531)超出了范围(0.6–0.75)。这可能是由于弓状束与FAT交叉的影响所致。因此,我们认为FAT的DSC总体上低于CST的DSC。
关于分析算法的差异,GQI分析产生的DSC优于QBI。虽然未比较DSC,但此前一项研究发现,锥体束中真实纤维的百分比无显著差异,但QBI计算出的比例优于GQI[57]。该报告发现假纤维比例较高,这导致GQI的DSC高于QBI的DSC。本文作者认为这些结果支持当前研究。
关于AI对CST纤维束成像可视化能力的改善,观察到QBI的DSC增加了61.4%,GQI增加了72.4%。使用此前研究的DSC分类[54]进行评估时,我们发现当仅输入数据的DSC ≥ 0.6(良好或优秀)时,加入预测数据可带来改善,但未见大幅改善(QBI的DSC增加0.013,GQI增加0.017)。另一方面,在一例中,当DSC < 0.6时GQI的DSC出现下降,但QBI的DSC增加了0.087,GQI的DSC增加了0.264(图15)。
在GQI病例中,加入预测数据后DSC值下降,但在其他所有病例中均升高。当输入数据的DSC较低时,加入预测数据对DSC的改善更为有效。
DSC,Dice相似系数;CST,皮质脊髓束;GQI,广义q采样成像;L,左侧;QBI,Q球成像;R,右侧。
对于人工智能改善FAT纤维束成像可视化能力方面,观察到QBI的DSC提高了73.7%,GQI提高了67.8%。与CST的趋势类似,我们发现当仅输入数据的DSC为0.6或更高(良好或优秀)[53]时,加入预测数据可带来结果改善,但未观察到显著改善(QBI的DSC增加0.010,GQI增加0.024)。另一方面,当DSC < 0.6时,仅在一例中GQI的DSC几乎不变(0.307至0.300)。关于QBI,8例患者DSC恶化(平均下降0.07,最大下降0.172),30例患者DSC改善(平均增加0.07,最大增加0.206)。
这一结果提示,因疾病导致DSC较低和准确性较低的病例可能从该方法中获益,尤其是在CST方面。然而,也存在即使在健康侧DSC仍< 0.6的病例,因此需要进一步验证。
我们的研究存在一些局限性。生成的图像仅使用一台MRI机器和一种MPG阵列类型进行了验证。此外,后50%的数据是由前50%的数据生成的。未尝试其他生成比例(例如,从前70%生成后30%)进行比较。因此,生成率与图像相似性之间的关系尚未确定。对于扩散分布,仅评估了ODF。我们曾计划使用CSD分析生成的FOD测试另一种算法,但由于测试数据来自脑肿瘤患者,因此有必要仅将白质作为ROI。ROI使用ss3t-CSD设置,该方法即使使用单一b值数据也能提取白质[58]。本研究的患者数据包含许多不同的诊断,因此并非总能比较相同的纤维束。本研究的数据集是作为神经外科术前检查的一部分进行的,成像时间有限。因此,与既往研究相比,本研究的分辨率较差,部分容积效应的影响可能更强。此外,尽管本纤维束成像的金标准被用作参考数据,但纤维追踪结果是否准确尚不清楚。
结论
我们开发了一种基于3D U-net架构的人工智能模型,能够从初始32个轴预测HARDI数据(MPG64轴)的后32个轴。将预测数据整合到输入中显著改善了扩散分布和纤维束成像。这提示该方法有望通过将AI生成的预测数据与扫描数据结合使用来缩短MRI扫描时间。
补充信息
以下是电子补充材料的链接。补充文件1(XLSX 51 KB)
引用
- Suzuki Y, Ueyama T, Sakata K, et al. High-angular resolution diffusion imaging generation using 3d u-net. Neuroradiology. 2024. PMID: 38236423. doi:10.1007/s00234-024-03282-6
- 全文:PMC11399202(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11399202/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。