基于深度学习重建的加速3D T1加权图像脑体积测量的可靠性
这项回顾性研究纳入42例模拟加速数据集和48例验证数据集,评估深度学习重建(DL)加速3D T1加权MRI脑体积测量的可靠性。结果显示,在模拟加速数据集中,Conv与Simul-Accel-DL在所有ROI的体积ICC均超过0.90,规范百分位ICC超过0.77;在验证数据集中,除苍白球外,体积ICC均大于0.96,规范百分位ICC大于0.89,R²大于0.93。DL重建可实现相对于全采样采集高达75%的加速,并保持脑体积测量的可靠性。
要点
- DL重建加速3D T1图像在高达75%加速下,脑体积测量与全采样图像一致性良好。
- 除苍白球外,验证数据集体积ICC均大于0.96,规范百分位ICC大于0.89。
- 苍白球在NeuroQuant中ICC为0.872、R²为0.76,可靠性低于其他脑区。
核心结论
- 基于DL重建的3D T1脑体积MRI相对于全采样采集可实现高达75%的加速,并具有临床可行性。
研究设计与样本
- 回顾性研究,模拟加速数据集42例,验证数据集48例,均在3T MR扫描仪(MAGNETOM Skyra,Siemens Healthineers)上采集3D MP-RAGE数据。
- 模拟加速数据集生成Conv、Simul-Accel和Simul-Accel-DL三种图像,加速水平1、2、3分别对应65%、70%、75%欠采样。
- 验证数据集采集Conv和Accel-DL两种扫描,加速扫描时间设为与模拟水平3等效,扫描时间为100秒。
- 体积分析使用NeuroQuant(v.3.1)和DeepBrain(v.1.1.1.2)两种软件,参考标准为常规全采样图像(Conv)。
诊断标准与关键数值
- ICC分级标准:差(<0.5)、中等(0.50–0.75)、良好(0.75–0.90)、优秀(>0.9)。
- 模拟加速数据集中,Conv与Simul-Accel-DL在所有ROI的体积ICC均超过0.90,规范百分位ICC均超过0.77。
- 验证数据集中,Conv与Accel-DL的体积ICC均大于0.96,规范百分位ICC均大于0.89,除苍白球外R²均大于0.93。
- 验证数据集中苍白球在NeuroQuant分析中体积ICC=0.872、规范百分位ICC=0.781、R²=0.76;DeepBrain中苍白球R²=0.96、规范百分位ICC=0.957。
- 海马和侧脑室下角在Conv与Accel-DL之间Bland-Altman分析显示良好一致性:NeuroQuant平均差异<0.3 mL、R²>0.95;DeepBrain平均差异<0.02 mL、R²>0.95。
临床应用与阅片要点
- DL重建加速MP-RAGE扫描可用于常规临床脑体积定量分析,扫描时间缩短至100秒。
- 苍白球体积测量在NeuroQuant中可靠性较低(ICC=0.872,R²=0.76),阅片时需注意。
- 海马和侧脑室下角体积在两种软件中均显示高可靠性,可用于阿尔茨海默病相关评估。
局限性
- 研究在单中心进行,使用单一厂商系统,可能限制结果对其他设置或设备的普遍性。
- 评估仅局限于两种临床可用的体积测量软件NeuroQuant和DeepBrain,未涵盖所有可能的体积分析选项,其他软件结果可能不同。
- 研究样本量相对较小,不足以覆盖患者群体或脑形态的多样性。
- 需要进一步开展大规模、多中心研究,采用多种体积测量软件以巩固本研究发现。
全文中译11 节 · 点击展开
引言
特定脑区的不同脑萎缩模式有潜力区分正常个体与痴呆患者,为疾病进展提供有价值的见解。海马和内侧颞叶萎缩是阿尔茨海默病的关键影像生物标志物。磁共振成像(MRI)可提供脑解剖结构的高分辨率描绘,并能够详细显示大脑结构变化,尤其是通过三维(3D)T1加权图像[1]。由于用于诊断脑萎缩的主观视觉评估共识有限且观察者间变异性显著[2],研究环境中已采用多种自动化算法进行脑体积分析,包括FreeSurfer [3, 4]、ANTs [5]和FSL [6]。
在临床实践中开展基于MRI的脑体积测量面临若干挑战,原因在于采集3D T1加权图像和分析脑体积测量均耗时较长。采集时间延长可导致运动伪影和患者不适,从而造成图像质量下降[7, 8]。此外,分析时间延长和算法复杂进一步导致临床实施耗时且繁琐。例如,据报道FreeSurfer的脑体积测量分析时间为2至3小时(9),ANTS为1至2小时[9]。然而,基于深度学习(DL)的重建算法的最新进展已显著缩短了图像采集所需时间[10–13]。临床实用的自动化脑体积测量软件可在10分钟或更短时间内处理数据[14–19]。
利用基于DL的重建加速3D T1加权图像的采集并开发自动化脑体积测量软件,将加快体积测量结果的临床应用。尽管如此,在此背景下有若干问题值得关注。虽然既往研究报道,基于DL重建的加速扫描图像质量不劣于常规扫描[12, 20–22],但很少有研究涉及评估基于DL重建的加速扫描中脑体积测量可靠性[23, 24]。此外,尽管可以选择调整加速水平,但目前的研究尚缺乏对维持一致体积测量结果所需的多种加速水平的探索。此外,对于当采用各种软件方法时,基于DL重建的加速扫描与常规扫描相比是否产生一致的体积测量结果,仍缺乏研究。
本研究探讨了在不同加速水平下,通过基于DL图像重建的加速MRI扫描获得的自动化脑体积测量的可靠性和临床可行性。这包括使用两种不同的临床可用体积测量软件评估常规扫描与基于DL重建的扫描之间的扫描间可靠性。
方法和材料
参与者
本回顾性研究经首尔国立大学医院机构审查委员会(IRB)批准。由于本研究的回顾性性质,豁免了参与者的知情同意。收集了两个数据集——模拟加速数据集和验证数据集。对于模拟加速数据集,连续招募了42名在八个月内为确定是否存在脑转移而进行检查但脑部未显示异常的参与者。对于验证数据集,连续招募了48名在八个月内接受脑部MRI健康筛查的参与者。
图像采集
所有图像均在3T MR扫描仪上使用32通道阵列头线圈(MAGNETOM Skyra,Siemens Healthineers,Erlangen,Germany)采集。使用常规扫描方案采集模拟加速数据集的三维磁化准备快速梯度回波(MP-RAGE)k空间数据。该方案的采集参数如下:TR = 1,600 ~ 1,740 ms,TE = 2.8 ms,TI = 900ms,翻转角 = 9°,体素大小 = 1 × 1 × 1 mm3,相位分辨率 = 100%,广义自动校准部分并行采集(GRAPPA)因子 = 2。扫描时间范围为180至214 s。
验证数据集的参与者接受了常规和加速扫描以获取三维MP-RAGE DICOM数据。常规扫描数据的扫描参数与模拟加速数据集的扫描参数相同,而加速扫描的参数修改如下:TR = 1,600 ms,相位分辨率 = 60%,GRAPPA因子 = 3。所得的加速扫描时间为100 s。
图像处理
本研究使用了两个不同的数据集:模拟加速数据集和验证数据集。在模拟加速数据集中,采集k空间数据以模拟各种加速水平。因此,可以测量体积测量值随加速水平的变化。另一方面,验证数据集由两种不同的扫描组成:常规扫描和加速扫描。该数据集用于评估所提出框架的扫描间可靠性。
在模拟加速数据集中,利用采集的k空间数据生成了三幅图像,如图1a所示。第一种类型为常规图像(Conv),通过依次应用GRAPPA重建、逆傅里叶变换和通道合并从k空间数据重建得到。第二种,模拟加速图像(Simul-Accel)由回顾性欠采样的k空间数据经过与Conv相同的重建流程生成。最后,对Simul-Accel应用基于深度学习的重建,生成Simul-Accel-DL。基于深度学习的重建使用临床可用的基于DICOM的图像后处理软件(SwiftMR®,v.2.0.0.0.,AIRS Medical,首尔,韩国)进行。该软件可在图像域进行图像去噪和分辨率增强。该软件采用的深度神经网络架构基于U-net的变体,由18个卷积块、4个最大池化层(池化大小 = 2 × 2)、4个上采样层(卷积核大小 = 2 × 2)、4个特征拼接和3个卷积层(卷积核大小 = 1 × 1)组成。该网络在成对的3D MR图像上进行训练,每对图像中一幅具有低信噪比和低分辨率,另一幅具有高信噪比和高分辨率。训练数据包括从1.5T和3T MR扫描仪上超过1,000名患者采集的3D MR图像。
为在不同加速水平下比较Conv、Simul-Accel和Simul-Accel-DL,通过将相位分辨率从0.4变化至0.6(间隔为0.1)模拟了三种不同的欠采样方案。对于每个加速水平,估计的模拟扫描时间如下:相位分辨率为0.6(水平1)时为128 ~ 152 s,0.5(水平2)时为109 ~ 130 s,0.4(水平3)时为91 ~ 109 s。注意,水平1、2和3相对于全采样采集分别加速了65%、70%和75%。
在验证数据集中,每位参与者均采集了常规(Conv)和加速扫描(图1b)。加速扫描的扫描时间设定为与水平3模拟相当。模拟加速数据集中的基于深度学习的重建应用于加速扫描图像(Accel-DL)。
图像分析
使用模拟加速数据集进行图像质量的定量分析。以Conv为参考,在Simul-Accel和Simul-Accel-DL处计算定量误差指标、结构相似性指数(SSIM)和峰值信噪比(PSNR)。SSIM表示局部区域信号强度的相似性[25, 26]。SSIM和PSNR越高表示图像质量越好。
对于体积分析,使用了基于机器学习的临床可用软件NeuroQuant(NeuroQuant®,v.3.1.,Cortechs.ai,圣地亚哥,美国)和Deepbrain(DeepBrain®,v.1.1.1.2,Vuno,首尔,韩国)。该软件以3D T1加权DICOM图像为输入进行分析,并提供脑结构的体积测量以及基于受试者年龄和性别的规范百分位数。
统计分析
对于图像质量评估,在Simul-Accel与Simul-Accel-DL结果之间进行配对t检验以证明统计学显著性(p < 0.05)。Conv与Simul-Accel-DL或Accel-DL之间体积和规范百分位数的扫描间信度通过组内相关系数(ICC)估计,采用双向混合模型及一致性类型。ICC值按4级分类:差(< 0.5)、中等(0.50–0.75)、好(0.75–0.90)、优秀(> 0.9)[27]。模拟加速数据集计算了各加速水平下每个脑感兴趣区(ROI)Conv与Simul-Accel-DL之间的ICC。验证数据集计算了每个脑ROI中Conv与Accel-DL之间的ICC。
为证明体积测量的一致性,通过线性回归分析在每个ROI中估计回归系数和R方值。此外,在代表神经退行性疾病生物标志物的ROI(如海马体和侧脑室下角)中,使用线性回归和Bland-Altman图比较了Conv与Accel-DL之间的体积。所有统计分析均使用SPSS 28.0版(IBM Corp., Armonk, NY, USA)完成。
结果
人口学特征
纳入参与者的人口学特征见表1。模拟加速数据集采集自42名参与者,平均年龄±标准差为66±11岁。该数据集包括14名女性和28名男性数据。在验证数据集中,采集了48名参与者的数据,平均年龄±标准差为61±9岁,其中数据集包括23名女性和25名男性数据。
定量误差指标
在模拟加速数据集中,以Conv为参考,Simul-Accel-DL的总体图像质量指标与Simul-Accel相当或更优(表2)。随着加速水平增加,Simul-Accel与Simul-Accel-DL之间的图像质量差异增大。表2呈现了Simul-Accel与Simul-Accel-DL在不同加速水平下定量误差指标的结果。在最低加速水平(水平1),Simul-Accel与Simul-Accel-DL之间的SSIM和PSNR均相当,Simul-Accel-DL的平均SSIM为0.98±0.01,Simul-Accel为0.98±0.01(p = 0.815),Simul-Accel-DL的平均PSNR为37.0±2.0,Simul-Accel为36.8±3.0(p = 0.330)。然而,在较高加速水平2和3,Simul-Accel-DL在统计学上优于Simul-Accel。Simul-Accel-DL的SSIM均值在加速水平2高0.01(0.97 vs. 0.98),在加速水平3高0.02(0.95 vs. 0.97),表明Simul-Accel-DL图像与常规扫描具有更高的结构相似性(p < 0.001)。Simul-Accel-DL的PSNR均值在两个加速水平也均高于Simul-Accel图像(p < 0.001)。图2展示了加速水平3下Simul-Accel、Simul-Accel-DL和Conv的示例图像,支持表2中Simul-Accel-DL更优的误差指标。
体积分析
模拟加速数据集计算了Conv与Simul-Accel-DL在每个ROI三个不同加速水平之间的ICC值(表3)。在NeuroQuant和DeepBrain软件中,Simul-Accel-DL在每个加速水平下的体积测量和规范百分位数的ICC值分别被评为优秀(> 0.90)和良好(> 0.77)(表3)。此外,回归系数范围为0.94至1.05,除NeuroQuant分析的苍白球外,所有ROI中均有较高的R2值(> 0.93),揭示了Conv与Simul-Accel-DL之间的良好一致性(表4)。Conv和Simul-Accel-DL中NeuroQuant分析的代表性示例见图3,支持了它们之间的高ICC值。受试者的平均体积和规范百分位数显示Conv与Simul-Accel-DL之间良好的一致性(补充表S1)。
在验证数据集中,NeuroQuant和DeepBrain在所有ROI中均产生了良好或优秀的扫描间信度(体积ICC > 0.87;规范百分位数ICC > 0.77)(表5)。回归系数范围为0.93至1.03,除NeuroQuant和DeepBrain中的苍白球外,所有ROI的R2均超过0.92(表6)。此外,海马体和下侧脑室的线性回归(图4)和Bland-Altman(图5)分析表明,每种软件中Conv与Accel-DL之间具有强一致性(NeuroQuant:平均差异 < 0.3 mL,R2 > 0.95;DeepBrain:平均差异 < 0.02 mL,R2 > 0.95)。受试者的平均体积和规范百分位数在Conv与Accel-DL之间具有可比性,支持了线性回归和Bland-Altman分析的结果(补充表S2)。
讨论与结论
本研究探讨了基于深度学习(DL)重建的加速扫描在图像质量改善方面的临床可行性,以及将容积MRI用于常规临床实践的验证。通过回顾性欠采样模拟k空间数据生成模拟加速数据集,以评估图像质量改善情况,随后进行基于DL的重建。模拟共进行三次,分别生成相对于全采样采集65%、70%和75%加速的图像。在所有加速水平下,定量误差指标显示,在SSIM和PSNR两方面,DL重建图像与未进行DL重建的图像相当(p > 0.330)或更优(p < 0.001)。此外,基于DL重建在SSIM和PSNR方面的改善随加速水平升高而增大。当将脑容积软件应用于DL重建图像时,结果显示容积的ICC值极好(> 0.90),规范百分位良好(> 0.77)。此外,与常规图像相比,在各加速水平下,除苍白球外,所有ROI的容积线性回归分析均显示高R2值(> 0.93)。这些结果证明了基于DL重建的加速扫描中脑容积测量的可靠性。此外,在由常规扫描和基于DL重建的加速扫描组成的验证数据集中进行了容积分析。加速扫描的采集时间对应于模拟加速水平3。在容积测量中,除苍白球外,扫描间可靠性(常规 vs. 加速-DL)的所有ICC和R2值均估计为ICC > 0.9和R2 > 0.93,苍白球在NeuroQuant中评为ICC = 0.872和R2 = 0.76。此外,除苍白球外(NeuroQuant中ICC = 0.781),规范百分位的所有ICC值均估计为ICC > 0.89。在Bland-Altman分析中,下侧脑室和海马显示常规与加速-DL之间良好的一致性(NeuroQuant:平均差异 < 0.30,标准差 < 0.20;DeepBrain:平均差异 < 0.05,标准差 < 0.12)。
在本研究中,我们已证明,与全采样扫描相比,图像采集的显著加速(高达75%)不会损害由MP-RAGE扫描得出的容积结果。标准全采样MP-RAGE扫描通常需要约5分钟完成。通过采用加速方案,该持续时间可显著缩短,而不会降低脑容积分析的数据质量。这一发现对常规3D MP-RAGE脑扫描具有重要意义,其中扫描时间缩短可显著降低运动伪影的可能性,而运动伪影常损害扫描质量。此外,更短的扫描持续时间可显著提高患者在检查过程中的舒适度,这可能改善配合度和整体患者体验。因此,本研究表明了在常规临床实践中实施加速MP-RAGE方案的可行路径。
海马和侧脑室下角在脑容量测量中具有重要意义。其重要性在于,这些体积构成了估算海马 occupancy 和内侧颞叶萎缩评分等定量指标的基础,从而支持阿尔茨海默病(AD)的诊断。因此,我们评估了这些体积的扫描间信度和线性回归分析,以比较 Conv 和 Accel-DL。使用两款体积测量软件,我们的结果显示,Conv 与 Accel-DL 在这些区域之间具有极佳的扫描间信度。因此,采用基于深度学习(DL)重建的加速扫描为高度可靠地测量脑萎缩提供了一种有前景的工具,且不受软件类型影响,尤其是在海马和侧脑室下角方面。这些进展可能提高我们在前驱期检测 AD 及相关神经退行性疾病的能力 [16, 28]。
我们对 Conv 与 Accel-DL 图像之间苍白球 ICC 值的估算结果为:在 NeuroQuant 分析中,体积为 0.872,规范百分位数为 0.781,表明与其他脑区相比扫描间信度较低(其他区域的 ICC 值:体积 > 0.96,规范百分位数 > 0.89)。此外,NeuroQuant 中苍白球的估算 R2 值(= 0.76)低于其他感兴趣区(ROI)(R2 值 > 0.92)。这些发现与既往比较不同体积测量算法的研究一致 [29, 30]。这种较低扫描间信度的主要原因是 T1 加权 MRI 扫描中苍白球与白质之间观察到相似的对比度。这为实现精确且一致的体积测量带来了重大挑战。鉴于这些观察结果,未来需要开展研究以探索进一步的序列优化或体积测量算法的改进,旨在解决苍白球的信度问题。
比较 NeuroQuant 和 DeepBrain 分析,DeepBrain 结果显示,来自 Simul-Accel-DL 和 Accel-DL 的误差指标相当或更优。特别是,与 NeuroQuant 相比,DeepBrain 在 Conv 与 Accel-DL 之间苍白球处显示出更高的 R2 值(0.96 对 0.76)。这主要是因为每款软件基于不同的算法进行脑体积测量。NeuroQuant 利用预定义的图谱,基于概率计算将每个体素分配到相应的解剖标签 [16],而 DeepBrain 利用基于深度学习的分割模型 [17]。此外,与 NeuroQuant 相比,DeepBrain 在 Conv 与 Accel-DL 之间的规范百分位数中显示出更高的 ICC 值(0.957 对 0.781)。每款软件从不同种族人群构建规范数据库,导致估算的规范百分位数存在差异。这种差异已在既往研究中有所报道 [30, 31]。
我们的研究存在一些局限性。首先,该研究在单一中心内进行,使用单一厂商系统,这可能限制结果对其他环境或设备的普适性。此外,我们将评估限制于两种临床可用的体积测量软件,即NeuroQuant和DeepBrain。尽管它们被广泛使用,这两种软件并未涵盖所有可能的体积分析选项,研究结果在其他软件下可能有所不同。此外,本研究的样本量相对较小,不足以覆盖患者群体或脑形态的多样性。因此,需要开展进一步的大规模、多中心研究,采用多种体积测量软件,以巩固我们的发现。
总之,我们的研究证明了在基于深度学习的重建加速MRI扫描中脑体积测量结果的可靠性。深度学习重建模型相对于全采样采集将加速扫描的MR图像加速高达75%,且重建图像在两种临床可用软件应用的体积分析中显示出可靠性。这一发现支持了基于深度学习重建的加速MRI扫描在常规临床实践中用于体积定量MRI的临床可行性。
电子补充材料
以下是电子补充材料的链接。
补充材料1
引用
- Jung W, Jeong G, Kim S, et al. Reliability of brain volume measures of accelerated 3D T1-weighted images with deep learning-based reconstruction. Neuroradiology. 2024. PMID: 39316090. doi:10.1007/s00234-024-03461-5
- 全文:PMC11802604(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11802604/
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。