深度学习约束压缩感知加速的三维全心非增强mDIXON冠状动脉磁共振血管成像
前瞻性纳入99名参与者,30名健康志愿者对比DL-CS、CS与常规序列的扫描时间与图像质量,69名疑似冠心病患者以冠状动脉CT血管成像为参考标准评估DL-CS的诊断效能。DL-CS扫描时间短于常规序列且图像质量评分、SNR、CNR最高,患者水平诊断准确度84.1%、敏感度92.0%、特异度79.5%。
要点
- DL-CS序列扫描时间9.6±3.1分钟,短于常规序列13.0±4.9分钟,与CS序列10.0±3.4分钟无显著差异。
- 健康志愿者中DL-CS图像质量评分4.10±0.96,高于CS的3.33±0.99和常规序列的3.27±1.01。
- 患者水平DL-CS诊断准确度84.1%、敏感度92.0%、特异度79.5%,以CCTA为参考标准。
核心结论
- DL-CS mDIXON冠状动脉MRA在健康者和疑似冠心病患者中均显示良好图像质量与诊断价值,作者认为可能成为改善冠状动脉MRA临床流程的可行替代方案。
- DL-CS在健康志愿者中图像质量评分、SNR、CNR最高,扫描时间短于常规序列且与CS无显著差异。
研究设计与样本
- 前瞻性研究,2021年10月至2023年1月纳入99名参与者,包括30名健康志愿者和69名疑似冠心病患者。
- 使用3-T MR扫描仪(Ingenia Elition,Philips Healthcare)配合16通道体部矩阵线圈和12通道脊柱矩阵线圈,采用心电触发和呼吸导航门控技术。
- 健康志愿者随机顺序接受DL-CS、CS和常规SENSE三种非增强mDIXON冠状动脉MRA序列扫描。
- 疑似冠心病患者接受DL-CS冠状动脉MRA,并以256排CT(Revolution CT,GE Healthcare)行CCTA作为参考标准。
- 以CCTA为参考标准,管腔直径≥1.5 mm的参考血管中直径狭窄≥50%定义为显著狭窄。
关键影像表现/征象
- DL-CS图像较常规和CS方法显示更少模糊伪影,在左回旋支显示上优势尤为明显。
- 30名健康者中识别出440个直径≥1.5 mm的冠状动脉节段,DL-CS可评估438个(99.5%)、CS可评估429个(97.5%)、常规方法可评估426个(96.8%)。
- 69名患者中CCTA显示930个参考管腔直径≥1.5 mm的节段,其中885个(95.2%)在冠状动脉MRA上可诊断。
诊断标准与关键数值
- 图像质量采用五分法评估,3分及以上视为满意并适合诊断,四名阅片者间一致性加权kappa值为0.75–0.97。
- 患者水平:准确度84.1%、敏感度92.0%、特异度79.5%、PPV 71.9%、NPV 94.6%。
- 血管水平:准确度90.3%、敏感度82.6%、特异度92.5%、PPV 76.0%、NPV 94.9%。
- 节段水平:准确度96.9%、敏感度85.1%、特异度98.0%、PPV 79.7%、NPV 98.6%。
临床应用与阅片要点
- 健康志愿者中DL-CS扫描时间9.6±3.1分钟 vs CS 10.0±3.4分钟 vs 常规13.0±4.9分钟(p<0.001),DL-CS与CS间无显著差异(p>0.05)。
- 健康志愿者图像质量评分DL-CS 4.10±0.96 vs CS 3.33±0.99 vs 常规3.27±1.01(p<0.001),CS与常规间无显著差异(p>0.05)。
- DL-CS的SNR和CNR在三者中最高(p<0.001),常规与CS间无显著差异(p>0.05)。
- 作者认为对于妊娠或对碘对比剂过敏的患者,非增强冠状动脉MRA可能成为CCTA的替代检查方式。
- 作者指出高心率患者采集窗口一般设于收缩末期以获得良好图像质量,与Wu等的研究一致。
局限性
- 图像质量无法实现完全盲法评估,因DL-CS图像噪声更低、质量更优,易于与常规和CS图像区分。
- 健康志愿者无参考标准(如CCTA)用于比较三组间的冠状动脉图像质量。
- 患者未接受有创冠状动脉X线血管造影作为金标准,且CCTA在某些病例中可能无法明确诊断阻塞性冠心病。
- 纳入的健康者和患者数量有限,仅足以证明技术可行性。
- 未开展血管壁和斑块特征分析研究。
全文中译16 节 · 点击展开
引言
全心脏冠状动脉磁共振血管成像(MRA)是一种无创、无辐射的成像技术,有望用于冠状动脉的评估[1–3]。MRA在多种临床场景中诊断冠状动脉疾病(CAD)已显示出高灵敏度、特异度和阴性预测值[4]。目前,三维平衡稳态自由进动(bSSFP)序列在冠状动脉显像中较其他序列更受青睐[1, 5–8]。然而,该成像技术对血流敏感且易受伪影影响,最终影响图像质量[9]。近期研究采用基于水脂分离的DIXON方法进行冠状动脉MRA,结果显示由于其对外场不均匀性敏感性低,图像质量显著提升[10–12]。此外,该方法还提供额外的可用脂肪信息,有助于识别血管钙化、管腔狭窄和斑块负荷[13–15]。进一步,改良DIXON(mDIXON)方法可提供质量优异的图像和增强的血管管腔与脂肪对比度,并允许额外的信噪比(SNR)提升[9, 16, 17]。
目前,基于全心脏mDIXON的策略在评估冠状动脉方面因冠状动脉固有的细小管径而面临局限,这阻碍了其在临床实践中的常规应用[12, 18, 19]。首先,延长的扫描时间可能导致心率和呼吸模式漂移、整体运动,进而降低最终图像质量[12]。其次,虽然冠状动脉MRA非常需要更高的空间分辨率,但会损害与体素大小直接成正比的SNR[20]。因此,有效的噪声去除对于高分辨率冠状动脉MRA至关重要。临床实践中仍存在缩短三维高分辨率冠状动脉MRA序列扫描时间的未满足需求。
诸如并行加速技术和基于压缩感知(CS)的方法等新方法可实现快速数据采集。使用并行加速技术,如灵敏度编码(SENSE),已在冠状动脉MRA中缩短图像采集时间同时保持图像质量[21–24]。尽管结果令人鼓舞,但由于并行加速技术相关的高加速因子,特定伪影如残余混叠和g因子噪声增强等局限性仍然存在[25]。基于CS的技术通过k空间随机欠采样结合迭代图像重建实现快速采集,在冠状动脉MRA中已显示出相比传统并行加速技术产生更高整体图像质量的潜力[12, 18, 26]。尽管有这些进展,选择最优稀疏变换和处理伪影仍是基于CS的技术的重大挑战,尤其是在非常高的加速因子下,由于重建过程中噪声去除不充分可能导致图像质量下降[27]。
近年来,将深度学习(DL)整合到磁共振(MR)采集中已在提高冠状动脉磁共振血管成像(MRA)的图像质量或加速采集过程方面显示出良好前景[20, 28–32]。然而,此类技术涉及训练神经网络以从零填充的k空间中找到最有效的变换以进行期望的重建。一种新型卷积神经网络以可学习的方式结合多尺度稀疏化,以替代传统稀疏变换并改进压缩感知(CS)方法[33]。采用自适应CS网络方案的深度学习约束压缩感知(DL-CS)方法在MR重建中已显示出优越性能[28, 34–36]。实现快速三维mDIXON冠状动脉MRA的一种有用策略将是利用CS理论和DL算法的优势。
本研究旨在探讨使用DL算法提高基于CS的非对比增强mDIXON冠状动脉MRA图像质量的可行性。我们打算在健康受试者和疑似冠状动脉疾病(CAD)患者中全面评估其性能,并假设DL-CS技术将通过改善图像质量扩大mDIXON冠状动脉MRA的临床应用范围。
材料与方法
研究参与者
2021年10月至2023年1月期间,本研究前瞻性招募了99名参与者。研究包括两个亚组:30名健康志愿者(15名女性;年龄范围20–65岁),无任何可能干扰采集和分析的医学状况;以及69名疑似CAD并计划接受冠状动脉计算机断层扫描血管成像(CCTA)的患者(35名女性;年龄范围39–83岁)。带有起搏器、除颤器或其他一般禁忌证的受试者被排除在研究之外。未对任何受试者给予β受体阻滞剂或硝酸甘油。机构审查委员会批准了这项前瞻性研究,所有研究人群均提供了书面知情同意。
MRA方案
使用配备16通道体部矩阵线圈和12通道脊柱矩阵线圈的3-T MR扫描仪(Ingenia Elition,Philips Healthcare)进行冠状动脉MRA检查。在整个扫描过程中使用心电图触发和呼吸导航门控技术。为确定右冠状动脉(RCA)相对静止的时间,在参与者自由呼吸期间获取一百幅心脏时相四腔心图像,从而确定扫描的最佳采集窗口和延迟时间。对于冠状动脉成像,所有健康志愿者均接受三次非对比增强mDIXON冠状动脉MRA扫描,包括DL-CS、CS和传统SENSE方法。三个序列的扫描顺序对每位受试者随机化。对于疑似CAD患者,使用DL-CS序列获取冠状动脉MRA。扫描参数见表1。
CCTA方案
所有患者还接受了使用256排CT扫描仪、16 cm宽探测器的CCTA检查(Revolution CT,GE Healthcare)。所有检查均采用前瞻性心电图触发轴向采集扫描模式。具体扫描参数包括机架旋转时间0.28 s、自动调节管电流范围400 mA至800 mA、管电压120 kV、层厚0.625 mm并使用“stand”重建核。每例患者均给予碘对比剂(碘美普尔注射液,浓度400 mgI/mL),采用传统按体重依赖的速率32 mgI/kg/s,注射时间10 s。注射流速通过总对比剂体积除以10 s注射时间设定。对比剂注射后,以相同流速给予30 mL生理盐水。
图像分析
记录每名志愿者的每次采集时间。所有原始MR图像传输至后处理工作站(IntelliSpace Portal 9.0.5版;Philips Healthcare)进行质量评估。
健康受试者研究
定性图像分析
四名放射科医师独立评估所有冠状动脉MRA图像,并对扫描方案设盲。冠状动脉显示质量采用五分制评估:5分为优,冠状动脉血管边缘清晰、图像噪声极小且无明显伪影;4分为良,冠状动脉血管边缘清晰、轻度图像噪声和伪影;3分为一般,冠状动脉血管边缘尚可、中度图像噪声和伪影;2分为差,冠状动脉血管边缘模糊、高图像噪声和严重伪影;1分为不可见。评分≥3分的图像被认为满意且适合诊断。四名阅片者的原始图像质量评分用于评估一致性,而每名参与者的最终评分由四名阅片者协商确定,并用于三种序列之间的比较。
定量客观评估
计算原始图像的SNR和对比噪声比(CNR)以比较三种技术。对于冠状动脉血液强度的测量,感兴趣区(ROI)仔细放置于LAD、左回旋支(LCX)和RCA近端区域管腔内,ROI大小尽可能大(2–5 mm)以减轻部分容积效应。选择与各冠状动脉相邻的心肌测量心肌信号强度(SI)。噪声通过选择体外的两个大空气ROI的像素值平均标准差(SD)确定。除非检测到动脉运动,否则每例患者三种序列的所有图像集均使用相似ROI。采用以下公式计算SNR和CNR [5]:
患者研究
一名观察者评估了深度学习压缩感知(DL-CS)mDIXON冠状动脉磁共振血管成像(MRA)的诊断效能,该观察者对受试者的临床信息和冠状动脉CT血管成像(CCTA)结果均不知情。在参考直径≥ 1.5 mm的血管中,管腔直径减少≥ 50%定义为显著性冠状动脉狭窄[37]。两名独立观察者分析CCTA图像上的显著性狭窄,以CCTA作为无创临床参考标准。意见不一致时通过协商达成共识。评估冠状动脉MRA上狭窄的数量及其检测显著性狭窄的诊断效能,包括基于患者、基于血管和基于节段的灵敏度、特异度、阳性预测值(PPV)、阴性预测值(NPV)和准确率,并与CCTA进行比较。
统计分析
统计分析使用SPSS统计软件(25.0版)和MedCalc软件(19.3版)进行。所有连续变量以均值 ± 标准差表示。采用Friedman检验评估三个序列的平均扫描时间、视觉评估评分、信噪比(SNR)和对比噪声比(CNR)。采用加权Kappa检验评估观察者间一致性(kappa值> 0.7视为优,0.4–0.7视为良,< 0.4视为差)[38]。采用Bland–Altman分析直观比较配对测量值差值与其均值之间的关系。p值小于0.05表示有统计学差异。
结果
所有受试者的基线特征见表2和表3。所有健康志愿者和疑似冠状动脉疾病(CAD)患者均成功完成全部冠状动脉MRA采集。
健康受试者研究
对于健康受试者,DL-CS和CS冠状动脉MRA的采集时间较常规方法更短(9.6 ± 3.1 min vs 10.0 ± 3.4 min vs 13.0 ± 4.9 min;p < 0.001),DL-CS与CS方法之间无显著差异(p > 0.05)。
定性图像分析
在图像质量的主观评价方面,DL-CS组获得的图像质量评分高于常规和CS冠状动脉MRA(4.10 ± 0.96 vs 3.33 ± 0.99 vs 3.27 ± 1.01,p < 0.001)。然而,常规方法与CS方法之间的图像质量评分无显著差异(p > 0.05)。三种序列主观图像质量的比较见补充表1。图像质量评分的观察者间一致性加权kappa值为优(kappa = 0.75–0.97)。
定量客观评估
在30名健康参与者中,共识别出440个直径≥1.5 mm的冠状动脉节段,其中深度学习压缩感知(DL-CS)可评估438个(99.5%),压缩感知(CS)可评估429个(97.5%),常规方法可评估426个(96.8%)。信噪比(SNR)和对比噪声比(CNR)总结于表4。DL-CS的SNR和CNR在三种技术中最高(p < 0.001),而常规冠状动脉MRA方法与CS冠状动脉MRA方法之间无显著差异(p > 0.05)。三组在显示左冠状动脉起源及近段走行方面的图像质量比较见图1,两名健康志愿者三种方法的代表性曲面平面重建(CPR)图像见图2和图3,其中DL-CS显示出更优的图像质量,模糊伪影更少。Bland–Altman分析表明,DL-CS—常规、CS—常规和DL-CS—CS配对在相应SNR和CNR方面具有可接受的一致性(图4)。
患者研究
69例患者中有25例在冠状动脉CT血管成像(CCTA)上表现为显著冠状动脉疾病(CAD)。心血管危险因素及CAD显著患病率见表3。冠状动脉MRA与CCTA之间的采集时间间隔为0天至15天,平均2天。
在69例患者中,CCTA图像显示930个参考管腔直径≥1.5 mm的节段,其中885个节段(95.2%)在冠状动脉MRA上被认为具有诊断价值。DL-CS冠状动脉MRA的每患者敏感度、特异度、阳性预测值(PPV)、阴性预测值(NPV)和准确率分别为92.0%、79.5%、71.9%、94.6%和84.1%,每血管分别为82.6%、92.5%、76.0%、94.9%和90.3%,每节段分别为85.1%、98.0%、79.7%、98.6%和96.9%(表5)。患者的代表性冠状动脉MRA和CCTA图像见图5和图6。
讨论
本研究在健康受试者和疑似CAD患者中评估了采用三维全心非对比增强mDIXON冠状动脉MRA的DL-CS方法。初步结果显示,与传统方法和CS方法相比,DL-CS序列可在较短的采集时间内为健康受试者的冠状动脉显示提供更高的SNR和CNR,以及良好的图像质量。此外,在以CCTA作为参考标准的患者中,它表现出优异的诊断性能。
基于DIXON的策略因其独特优势在冠状动脉MRA中显示出有前景的结果[10–12]。鉴于冠状动脉被心外膜脂肪包围,脂肪抑制不充分可能损害血管勾画[10]。既往研究表明,与传统脂肪抑制相比,基于DIXON的方法在1.5 T[39]和3.0 T[10]下均改善了冠状动脉MRA图像质量。此外,与bSSFP相比,基于DIXON的技术对磁场不均匀性的敏感性降低[17, 40],从而产生更少的伪影并增强远端解剖边界处的血管壁锐利度[9]。此外,残余高强度脂肪信号的存在可导致运动诱导的鬼影伪影,对图像质量产生负面影响[41]。利用水–脂共振频率差异引起的相位偏移,基于Dixon的技术可将水与脂肪分离,从而可能降低水图像对运动伪影的敏感性[10]。
DL-CS方法在快速mDIXON冠状动脉MRA中展现出良好潜力。全心冠状动脉MRA的主要挑战一直是扫描时间延长,从而导致运动伪影。并行加速技术[21–23]和基于CS的加速方法[18, 26]可用于快速数据采集。既往研究表明,与常规并行加速方法相比,基于CS的冠状动脉MRA可缩短扫描时间并获得良好图像质量[12, 18, 42]。近年来,DL重建已被提出用于冠状动脉MRA去噪[3]。借助“学习噪声”策略,DL可有效优化去噪水平并保留良好边缘,从而改善图像质量[3]。使用基于DL的重建获得了高图像质量,这表明DL方法在获得高空间分辨率的同时降低了图像噪声以保持图像质量[20, 43]。Yokota等[20]在3 T下以10名健康志愿者评估了DL重建对高分辨率冠状动脉MRA图像质量的影响。此外,Qi等[29]和Fuin等[30]开发了用于1.5-T MR扫描仪上bSSFP冠状动脉MRA的DL技术。Hosseini等[31]提出使用自洽稳健人工神经网络进行k空间插值,以提高冠状动脉MRA重建质量。相比之下,我们的研究结合CS和DL以实现快速3D mDIXON冠状动脉MRA,发挥了基于CS理论和DL算法的优势。与传统方法相比,DL-CS方法显著缩短了采集时间,同时在健康受试者中与CS和传统方法相比还提高了SNR、CNR和图像质量。此外,以CCTA为参考标准,DL-CS冠状动脉MRA在69例疑似CAD患者中成功展示了优异的诊断性能。特别是,对于妊娠或对碘对比剂过敏的患者,非增强冠状动脉MRA可作为CCTA的替代模态。
本研究还考虑了mDIXON冠状动脉MRA的其他几个关键方面。为减少偏倚,DL-CS、CS和常规序列按随机顺序扫描。随着扫描时间增加,患者的疲劳和移动以及呼吸状态和心率的变化也会增加,最终降低采集效率并损害图像质量。此外,我们采用一百幅心动周期相位图像来确定相对静止期以成像冠状动脉,认识到心率对图像质量的显著影响。对于心率高的患者,采集窗口通常设置在收缩末期以获得良好图像质量,这与Wu等[44]的发现一致。当然,扫描前呼吸训练以及指导患者在扫描期间保持平稳呼吸对于获得高质量冠状动脉图像也至关重要。
本研究存在若干局限性。图像质量不允许完全盲法评估,因为DL-CS冠状动脉图像由于噪声降低和图像质量优越,很容易与传统和CS冠状动脉图像区分开来。对于健康参与者,没有参考标准(例如,冠状动脉CT血管成像(CCTA))可用于比较三组之间的冠状动脉图像质量。此外,需要注意的是,本研究纳入的患者未接受有创冠状动脉X线血管造影作为“金标准”,且CCTA在某些情况下可能无法提供阻塞性冠状动脉疾病(CAD)的明确诊断。最后,本研究纳入的健康个体和患者数量有限,但足以证明技术可行性。虽然我们未开展血管壁和斑块特征研究,但我们预期未来MRI技术的进步将促进血管壁和斑块的分析。
总之,三维全心非增强DL-CS mDIXON冠状动脉磁共振血管成像(MRA)的潜力已在健康受试者和疑似CAD个体中得到证实。所提出的DL-CS方法在临床可接受的扫描时间内显著提高了图像质量,并以CCTA作为参考标准时表现出优异的诊断性能,这可能成为改善冠状动脉MRA临床工作流程的可行替代方案。
补充信息
电子补充材料
引用
- Wu X, Yue X, Peng P, et al. Accelerated 3D whole-heart non-contrast-enhanced mDIXON coronary MR angiography using deep learning-constrained compressed sensing reconstruction. Insights Imaging. 2024. PMID: 39298070. doi:10.1186/s13244-024-01797-3
- 全文:PMC11413263(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11413263/
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。