文献速递儿科影像神经腹部MR

基于扫描仪的实时三维脑与体部切片到体积重建用于T2加权0.55T低场胎儿磁共振成像

Scanner-based real-time three-dimensional brain + body slice-to-volume reconstruction for T2-weighted 0.55-T low-field fetal magnetic resonance imaging.
PubMed 文献 · Pediatr Radiol · 2025-01-24

本研究将自动化切片到体积配准(SVR)运动校正流程通过Gadgetron框架直接整合到0.55T低场胎儿MRI扫描仪中,实现T2加权三维脑与体部重建在扫描过程中实时可用。在12例前瞻性测试中,重建在采集最后一组堆栈后平均6分42秒±3分13秒可用,图像质量评为可接受至良好;83例回顾性数据集验证了重建质量的稳定性。

要点

  • 0.55T胎儿MRI可通过Gadgetron将T2W三维脑与体部SVR重建直接整合到扫描仪,重建在扫描期间即可在控制台查看并归档至PACS。
  • 83例回顾性数据中,脑重建63%为良好、24%为可接受;体部重建54%为良好、33%为可接受。
  • 前瞻性12例中10例评为可接受至良好,2例因原始图像质量欠佳未成功,总体中位评分为2。

核心结论

  • 所提出的流程通过直接在线整合到扫描仪环境,实现了基于扫描仪的0.55T胎儿MRI T2W三维运动校正前瞻性重建。

研究设计与样本

  • 研究为技术可行性评估,在伦敦圣托马斯医院采集0.55T胎儿MRI数据,使用MAGNETOM Free.Max扫描仪、六元件柔性线圈和九元件脊柱线圈,T2W结构堆栈采用ssTSE序列(TR=1,460–2,500 ms,TE=105–106 ms,平面内分辨率1.4 mm,层厚4.5 mm)。
  • 深度学习训练队列为62例胎儿数据集共384个堆栈(孕20–39周,2022年5月至2023年1月采集)。
  • 回顾性评估队列为83例胎儿数据集(孕22–39周,2023年2月至2023年8月采集),定量评估在30例数据集(共60个堆栈)上进行。
  • 实时测试队列为12例胎儿数据集(孕22–40周,2024年1月至2024年2月采集)。
  • 输出T2W三维重建图像分辨率选为1.0 mm,脑重建重采样至128×128×128矩阵,体部重建重采样至256×256×256矩阵。

关键影像表现/征象

  • 定量评估中,T2W三维UNet在脑和体部均表现稳健,脑中心点距离误差平均6.067±1.950 mm,体部7.836±3.027 mm。
  • 基于标志点的重定向在脑和体部均表现稳健,脑旋转误差11.947±6.626度,体部15.549±12.487度。
  • 与NeSVoR相比,SVRTK重建图像的组织信号纹理更平滑但噪声更少,NeSVoR输出覆盖脑ROI的紧密掩膜,而SVRTK允许重建背景ROI。

诊断标准与关键数值

  • 输出T2W三维D/SVR图像质量评分:1为失败,2为差,3为可接受,4为良好(与文献[5]分级方案类似)。
  • 回顾性83例中,脑重建63%为良好、24%为可接受;体部重建54%为良好、33%为可接受。
  • 前瞻性12例中,10例评为可接受至良好,2例因原始图像质量欠佳未成功,总体中位评分为2。
  • 重建时间:前瞻性测试中胎儿脑与体部重建在采集最后一组堆栈后平均6分42秒±3分13秒可用。
  • 与NeSVoR比较:每例平均重建时间(9个堆栈、1.00 mm输出分辨率、默认设置、同一机器)自动化SVR为6–10分钟(取决于孕周),NeSVoR为9–10分钟。

临床应用与阅片要点

  • 该流程可在胎儿MRI扫描过程中将T2W三维脑与体部重建结果直接发送回扫描仪并导出至PACS,无需外部离线处理。
  • 重建质量在大多数(>85%)数据集中为可接受至良好,但早期孕周因胎儿器官小、晚期孕周因皮质与组织器官对比度较低以及严重运动伪影伴高比例平面内信号丢失时质量评分较低。
  • 原文指出所有现有SVR方法仍主要处于研究阶段,更广泛整合到诊断实践需要全面正式评估其附加临床价值并优化部署方法。

局限性

  • 回顾性评估的88例原始数据中仅4例(5%)因多数堆栈图像质量欠佳(遮蔽、极端运动伪影或其他采集相关因素导致严重平面内信号丢失)被排除,因缺乏足够图像信息进行T2W三维SVR重建。
  • 未纳入22周以下病例,因胎儿器官尺寸相对于0.55T数据集固有的较大层间距和低分辨率较小,预期会损害输出重建质量。
  • 本研究仅关注无极端结构异常的病例,因其代表本机构可用研究0.55T扫描的主要队列。
  • 本工作主要目标为0.55T及基于扫描仪整合经典T2W三维重建的一般可行性研究,未包括与大量近期提出的新型SVR方法的详细比较。
  • 早期孕周数据集旋转误差较高,因标志点可见性较低。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Pediatr Radiol. 2025 Jan 24;55(3):556–69. doi: 10.1007/s00247-025-06165-x

引言

胎儿磁共振成像(MRI)越来越多地被用作超声的辅助手段,以提高诊断准确性[1],并提供对正常和异常胎儿发育的详细表征[2, 3]。

快速采集序列如T2加权(T2W)半傅里叶采集单次激发涡轮自旋回波(ssTSE)可提供高面内二维(2-D)图像质量[4]。然而,不可预测的胎儿运动仍然是T2W 2-D面内伪影以及与T2W三维(3-D)结构连续性丧失相关的信息内容的主要限制因素。

目前,在图像域进行的回顾性运动校正[5]已被证明是胎儿结构MRI最有效的解决方案。这些方法基于层到容积配准(SVR)和超分辨率(SR),从在不同方位下采集的多个受运动伪影污染的堆栈中重建高分辨率T2W 3-D各向同性图像。重建的容积可在任意平面重新定向,并提供真正的3-D空间信息。这些方法最初在十多年前针对胎儿大脑提出[6–8],现已发展为针对整个胎儿的快速深度学习自动化流程。近期的发展允许使用可变形SVR(DSVR)对胎儿身体进行非刚性运动校正[9, 10]、深度学习掩膜[11]、胎儿大脑[12–14]和胸部[15]的深度学习重新定向,以及深度学习超分辨率重建[10, 16, 17],据报道可改善图像质量并加快性能。

然而,这些方法仍主要处于研究阶段。更广泛地整合到诊断实践中需要对附加临床价值进行全面正式的评估,以及优化直接部署到临床环境中的方法。所有现有解决方案的主要限制之一是,它们依赖于胎儿扫描完成后在本地研究工作站的离线脚本执行(即使用以神经影像信息学技术倡议(NIfTI)或医学数字成像和通信(DICOM)格式下载的文件),并且不提供用户友好的界面或规范化的数据存储结构。这从根本上妨碍了T2W 3-D重建在胎儿MRI临床放射学报告工作流程中的使用。

据我们所知,目前尚无直接将超分辨率体积重建(SVR)解决方案集成到扫描仪环境中的方案,能够在无需任何外部处理的情况下将T2加权(T2W)三维图像直接导出至图像存档与通信系统(PACS)(或类似系统)。多项胎儿磁共振成像(MRI)研究工作已报道了基于扫描仪的自动化解决方案,包括实时脑部追踪[18]、脑部采集平面规划[19]以及低质量层面的重新采集[20]。这些工作流程通过扫描仪与外部图形处理器(GPU)加速研究重建工作站(如Gadgetron)之间的交互接口实现。Gadgetron是一个开源模块化软件平台,用于向扫描仪重建环境和外部服务器发送数据及从中检索数据。此前,它已成功促进了多个图像处理流程集成到扫描仪环境中,实现了自由呼吸运动校正电影图像的云端重建、心肌灌注定量分析以及心腔分割[21–24]。

近期进展见证了0.55 T低场强MRI的重新兴起[25]。虽然胎儿成像传统上在1.5 T和3 T场强下进行,但0.55 T为胎儿MRI相关的若干挑战提供了解决方案:磁场均匀性提高减少了胎儿脑部与母体肠道之间常见的磁敏感伪影,从而也减少了对高场强下常用的专业匀场工具的需求[26]。此外,商用0.55 T扫描仪因场强要求降低而具备更大的孔径尺寸,显著拓宽了胎儿MRI的可及性,特别是对于晚孕期以及体重指数(BMI)较高的孕妇群体日益增多的情况。然而,在开发低场强专用技术时,必须考虑到信噪比(SNR)降低和分辨率下降的缺点。

应用T2W三维重建技术有可能改善低场强数据集的图像质量和信息含量。近期研究[27, 28]已证明0.55 T MRI用于胎儿脑部和体部成像的总体可行性,以及胎儿脑部SVR重建和功能性脑部与体部重建的若干实例[29, 30]。然而,尚缺乏对去噪/超分辨率体积重建(D/SVR)性能(或专用解决方案)的广泛评估,以确认在0.55 T下大规模使用T2W三维重建的总体可行性。

本工作将针对T2W结构低场强0.55 T胎儿MRI的T2W三维脑部+体部刚性及可变形SVR(D/SVR)重建流程直接集成到扫描仪环境中,并在正在进行的胎儿扫描期间提供最终的T2W三维重建结果。它将先前在SVR工具箱(SVRTK)1中针对0.55 T MRI优化的自动化T2W三维D/SVR重建工作[15, 31]与通过Gadgetron2实现的实时集成扫描仪工作流程[18, 19]相结合。在本工作的语境中,实时集成是指在采集完最后一个T2W图像栈后立即触发SVR重建过程,并在扫描期间检索所得的T2W三维图像。T2W三维重建文件被发送回扫描仪,并可直接导出至PACS。

在83个回顾性0.55-T T2W数据集上,对所提出的自动化D/SVR重建流程的可行性进行了定量和定性评估。对扫描仪部署的评估基于12例前瞻性病例的实时(宫内)测试,评估内容包括总体可操作性、时间、结果质量和操作者体验。除集成到扫描仪环境外,这也是首项关于0.55-T胎儿T2W数据集自动化T2W三维重建的工作。

材料与方法

图1展示了为0.55-T扫描仪实施的所提出自动化工作流程的概览。首先,ssTSE图像被实时导出至外部GPU加速服务器(“Gadgetron服务器”)。在收集完所有ssTSE堆栈后,运行一个5秒的虚拟序列,以在Gadgetron服务器上启动SVR docker容器(针对0.55-T T2W对比度优化)。一旦D/SVR结果可用,将1秒的虚拟序列添加到检查卡中,以将所得的T2W三维图像拉取至MRI扫描仪并存储于PACS中。

图1 通过Gadgetron将T2W三维脑部SVR和体部DSVR重建集成到扫描仪环境的拟议流程。a 基础设施设置。b 在冠状面、轴面和矢状面方向上采集单次激发涡轮自旋回波扫描期间,扫描仪、Gadgetron服务器以及Gadgetron服务器内SVR容器之间的三步流程及图像和体数据的流动。DICOM,医学数字成像和通信;DSVR,可变形切片到体数据重建;MRI,磁共振成像;NIfTI,神经影像信息学技术倡议;PC,个人计算机;ssTSE,单次激发涡轮自旋回波;SVR,切片到体数据重建;SVRTK,切片到体数据重建工具包 查看原图 ↗

数据集与采集

本研究使用的胎儿MRI数据在伦敦圣托马斯医院采集,属于经伦理批准的MEERKAT(REC:21/LO/0742)、MiBirth(REC:23/LO/0685)和NANO(REC:22/YH/0210)研究的一部分。所有实验均按照相关指南和法规进行。所有参与者均获得了知情书面同意。

采集在当代临床0.55-T扫描仪(MAGNETOM Free.Max,Siemens Healthcare,Erlangen,Germany)上进行,使用六元件柔性线圈(BioMatrix Contour Coil,Siemens Healthcare,Erlangen,Germany)和内置于患者床中的九元件脊柱线圈。结构T2W堆栈使用专为0.55 T(低场)胎儿成像优化的专用ssTSE序列采集[27],TR = 1,460–2,500 ms,TE = 105–106 ms,面内分辨率1.4 mm,层厚4.5 mm。每个数据集包括6–12个堆栈,使用标准放射学方位覆盖整个子宫、脑部和躯干区域。堆栈按连续顺序采集,无时间间隔或母体位置变化。

本工作使用的0.55-T数据集采集于2022年至2024年间,覆盖20–40周孕龄(GA)范围(图2),包括:深度学习训练队列:来自62个胎儿数据集的384个堆栈,GA范围20–39周,采集于05/2022–01/2023期间;

回顾性评估(定量和定性)队列:来自83个胎儿数据集的资料,GA范围22–39周,采集于02/2023–08/2023期间;

实时测试队列:来自12个胎儿数据集的资料,GA范围22–40周,采集于01/2024–02/2024期间。

回顾性测试病例的主要选择标准为单胎妊娠、孕龄>22周、无显著胎儿结构异常、平面内图像对比度好且信噪比高、整个胎儿显示清晰、ssTSE采集过程中无中断。这是一个异质性队列,母体BMI在22–43之间变化,胎盘和胎儿表现不同,羊水量各异。在最初检查的88个回顾性评估数据集中,仅有四个(5%)因大多数图像堆栈图像质量欠佳而被排除,这些堆栈存在由遮蔽、极端运动伪影或其他采集相关因素造成的严重平面内信号丢失。这些病例被排除是因为没有足够的图像信息(即高质量切片)用于T2W三维SVR重建。此外,我们未纳入22周以下的病例,因为与0.55-T数据集固有的较大层间距和低分辨率相比,胎儿器官体积较小,预计会损害输出重建质量。本工作仅关注无极端结构异常的病例,因为这些病例代表了本机构现有研究用0.55-T扫描的主要队列。

图2 本工作中用于深度学习模型训练、回顾性图像质量评估和实时测试的0.55-T T2W数据集的孕龄分布。GA,孕龄 查看原图 ↗

自动化T2加权三维重建

所提出的联合T2W三维脑+体部D/SVR重建自动化流程总结于图3。这是既往胎儿脑和胸部自动化T2W三维重建工作[15, 31]的扩展,脑和体部感兴趣区(ROI)均在0.55-T数据集上使用医学人工智能开放网络(MONAI)[32]网络实现进行训练。该流程包括对所有堆栈中脑和躯干的全局T2W三维定位,随后基于标志点的重新定向至标准放射学空间、模板选择以及经典刚性SVR和DSVR重建。对最终重建图像额外施加一步重新定向以精细对齐。

胎儿头部和体部全局定位的实现(图3)基于经典MONAI T2W三维UNet[33]分割网络,该网络在来自62个0.55-T数据集的384个堆栈上训练,孕龄范围20–39周,使用半手动创建的标签。接下来,增加了将脑和体部ROI重新定向至所有堆栈的同一标准空间(图3)的步骤,以校正大幅旋转和平移运动。其实现方式与既往工作[15, 31]类似,使用MONAI T2W三维UNet在ROI裁剪的单个堆栈中分割四个体部标志点(胸部、腹部、心脏、肝脏)和四个脑部标志点(前脑、后脑、深部灰质、小脑+脑干)。这些网络在195幅0.55-T裁剪图像上训练,这些图像具有不同方向和不同程度的运动,使用半手动标签。分割出的标志点用于通过经典基于点的配准重新定向至标准放射学空间。在定位和重新定向之后,处理后的切片堆栈被传递至堆栈选择[15] SVRTK功能,以生成平均模板空间和掩膜,并剔除低质量运动损坏的堆栈。

最终选定的图像栈用于刚性SVR [8]和刚性+可变形DSVR [9]功能,以进行T2W三维脑和身体重建(图3),这些功能针对0.55-T数据集进行了优化,并加入了基于结构的额外异常值剔除。考虑到原始图像栈分辨率(1.2 × 1.2 × 4.5 mm),T2W三维重建图像的输出分辨率选择为1.0 mm。

图3 提出的用于T2W 0.55-T胎儿MRI的自动化联合T2W三维脑SVR和身体DSVR重建流程,包括在运动损坏图像栈中进行全局T2W三维定位(a)、T2W三维重新定向至标准空间(b),以及平均模板创建和D/SVR重建(c)。3-D,三维;DSVR,可变形切片到容积重建;SVR,切片到容积重建;T2W,T2加权 查看原图 ↗

实现和评估细节

所有流程组件(深度学习和C + +重建)合并为一个bash脚本。所提出的脑和身体重建流程代码在auto-proc-svrtk GitHub仓库3上公开可用。所提出的0.55-T T2W三维D/SVR重建流程作为独立Docker应用在SVRTK Docker仓库4上公开可用,其中包含所有必需的软件安装以及网络权重。该Docker仅基于中央处理器(CPU)处理,并在CPU上执行以便于部署。推荐的最低Docker设置为> 20吉字节随机存取存储器和> 高度CPU。

对所提出的D/SVR流程的评估基于一组回顾性数据集。对30个数据集的定量评估基于定位距离和重新定向旋转误差以及标签Dice。对83个数据集的定性评估基于在胎儿MRI方面具有丰富经验的研究人员对T2W三维重建脑和身体图像在图像质量和器官可见性方面的评分。输出T2W三维D/SVR图像的质量评分如下:1—失败;2—差,3—可接受,4—好(类似于[5]中的评分方案)。评估由三名在胎儿和新生儿MRI方面具有丰富经验的研究人员完成(神经放射学家:AL(2年),临床研究员:MH(> 5年),技术研究员:AU(> 5年))。

此外,我们在22至38周GA范围的五个病例上运行了一项补充对比实验,与基于隐式神经表示的切片到容积重建最先进重建方法(NeSVOR)[17]进行比较,以展示在重建质量和时间方面的一般性能。

基于Gadgetron的扫描仪三维重建流程部署

整个在线流程使用Gadgetron实现。如上文图3步骤1所述,重建的图像栈在采集后立即导出到配备GPU的专用Gadgetron服务器,随后由5秒虚拟序列触发执行D/SVR重建。总重建时间约为6:42 ± 3:13分钟,结果可立即在扫描仪控制台上获得。

在所有ssTSE堆栈采集完成后,作为协议的一部分运行一个5秒的“启动”序列(图3步骤2)。该序列在扫描仪与服务器之间建立连接,并在服务器上以分离子进程的方式启动SVR Docker容器,从而允许采集和重建检查卡中的后续序列。启动序列采集的数据被丢弃。躯体和脑部的最终重建结果保存在Gadgetron服务器中。

作为以受控方式将D/SVR重建结果传送至扫描仪主机的最后一步,在协议接近结束时运行两个1秒的“拉取”序列。为此采用一种经过修改的高度加速磁化准备快速梯度回波序列,其矩阵大小与预期重建结果相匹配。在此步骤之前,所有脑部重建结果被重采样至128×128×128的图像矩阵(128层),躯体重建结果被重采样至256×256×256(256层)。重采样确保重建体积的尺寸一致,在保持各序列视野一致的同时不影响结果质量(例如结构被裁剪或层面缺失)。与用于启动SVR处理的序列类似,这些序列被设计用于建立与外部服务器的连接。随后采集的数据被T2W 3-D SVR体积矩阵覆盖,注入厂商图像重建链,由扫描仪主机访问,并随后导出至PACS。

实现细节

Gadgetron框架安装在专用外部服务器上,并连接至MRI扫描仪的内部网络。对序列进行了修改,以包含Gadgetron发射器和注入器函数对象,从而能够将原始数据发送至外部服务器进行处理,并将处理后的图像数据重新整合到扫描仪重建流水线中。对于本工作中提出的三项任务中的每一项,均创建了一对配置文件,存储在扫描仪主机中、由序列定义的配置文件指向存储在外部服务器中的重建和处理配置文件。后者组装数据流所经过的重建和处理Gadget,包括为每项任务开发的Python脚本外部语言接口Gadget。

所提出的基于Gadgetron的0.55-T胎儿MRI D/SVR扫描仪集成代码已在gadgetron-svrtk-integration GitHub仓库5公开提供。

结果

所提出的Gadgetron部署的脑+躯体D/SVR重建流水线在83例回顾性0.55-T数据集上进行了评估,并在12例病例中对集成步骤进行了(宫内)前瞻性实时测试。

三维重建流水线的回顾性测试

表1展示了在22–39周孕龄范围内,对30个数据集(共60个图像堆栈)进行全脑和全身定位及重定向的定量评估结果。所选堆栈具有不同的子宫和胎儿采集平面。评估是相对于人工创建的真实T2W三维标签进行的。与[15]类似,T2W三维UNet在脑和身体方面均表现出稳健的性能,在早孕期和晚孕期范围内均具有相对较高的Dice评分以及平均6.067 ± 1.950(脑)和7.836 ± 3.027(身体)mm的中心点距离误差。所提出的T2W三维定位网络确保了T2W三维空间中各个标签的连续性,与传统的T2W二维逐层胎儿脑nnUNet方法[11]相比,不需要额外的后处理。对脑和身体重定向至标准放射学空间的定量评估是相对于人工重定向图像进行的。基于标志点的方法在脑和身体方面均表现出稳健的性能,旋转误差范围为11.947 ± 6.626(脑)和15.549 ± 12.487(身体)度,属于经典配准方法可接受的范围。早孕期数据集旋转误差较高是由于标志点可见度较低。

基于定义的质量评分,对83个数据集(未用于训练)的脑和身体自动D/SVR 0.55-T重建结果进行了定性评估。图4的结果表明,该流程性能相对稳定,在绝大多数(> 85%)数据集中,脑和身体的重建质量均达到可接受和良好水平。在脑重建中,63%为良好,24%为可接受质量。在身体重建中,54%为良好,33%为可接受质量。可接受质量病例比例较高是由于0.55 T固有的图像信号质量欠佳。较低质量等级出现在早孕期(由于尺寸小)和晚孕期(由于皮质和组织器官对比度较低)范围以及伴有高比例面内信号丢失的严重运动损坏病例中。

本工作的主要目标是针对0.55-T进行通用可行性研究,以及在扫描仪上集成经典T2W三维重建,并不包括与大量近期提出的新型SVR方法进行详细比较,即其他方法可以类似格式进行互换并在扫描仪上部署。此外,另一研究组近期的两项独立工作[34, 35]已经在一组多中心1.5-T和3-T采集协议上评估了所提出的自动化SVR流程的性能,并确认了与最先进的基于GPU的脑重建NeSVoR方法[17]相似的图像质量。图5中所示的额外回顾性实验结果也比较了所提出的离线自动化SVR和NeSVoR在五个22–38周GA的0.55-T数据集上的表现,同样证实了这些发现。两种方法的输出具有相似的全局特征,但SVRTK重建图像中的组织信号纹理比NeSVoR结果更平滑、噪声更少。这可能与超分辨率重建和正则化方法的差异以及0.55-T数据集的较低SNR和分辨率有关。NeSVoR输出以紧密掩膜覆盖脑ROI,而SVRTK允许重建背景ROI。每例平均重建时间(九个堆叠、1.00-mm输出分辨率;默认设置;同一机器上)也在相似范围内:自动化SVR为6–10分钟(取决于GA),NeSVoR为9–10分钟(图5)。

表1 在30个数据集(60个堆叠)上对全局定位和重定向至标准空间的回顾性定量评估,指标为Dice评分、定位距离误差(mm)和旋转误差(度) 查看原表 ↗
图4 在83个22–39 GA范围的0.55-T数据集上对三维T2加权脑(a)和体部(b)重建质量的回顾性定性评估。分级方案:红色(1)=失败;黄色(2)=差;黄绿色(3)=可接受;翠绿色(4)=好。DSVR,可变形切片到体积重建;GA,孕龄;SVR,切片到体积重建;T2W,T2加权;T,特斯拉 查看原图 ↗
图5 T2W三维所提出的auto-SVRTK与NeSVoR [17]脑重建示例(a)及总重建时间与GA的关系(b)。auto-SVR,自动化切片到体积重建;GA,孕龄;NeSVoR,用于切片到体积重建的隐式神经表示 查看原图 ↗

基于Gadgetron的扫描仪三维重建流程部署

对于这12例前瞻性病例,在胎儿MRI扫描期间启动T2加权(T2W)三维重建,并将其显示在扫描仪控制台上,以便使用所有可视化选项进行查看,并在采集结束时与所有采集数据一起存档(表2)。输出图像质量由两名临床医生使用指定的分级方案(1至4级)进行评估。在评估的12例病例中,10例被评为可接受至良好,而两个数据集(一个来自健康的38周孕龄胎儿,另一个来自22周孕龄合并1型糖尿病的胎儿)因原始图像质量欠佳而被认为不成功。总体中位数为2。扫描技师可自由调整方案中的启动序列和牵拉序列,启动序列在获得足够数量的层面时采集,牵拉序列在随后完成长扩散序列后、整个扫描结束时进行。图6展示了此类设置及相应的脑(绿色框)和身体(蓝色框)重建结果。从启动到脑重建可用的时间平均为7.23分钟(中位数6.39分钟,标准差=3.03分钟),身体为6.50分钟(中位数6.41分钟,标准差=1.27分钟),具体取决于堆叠数、受试者孕龄和计算系统负载。平均而言,未观察到处理时间与体重指数(BMI)、孕龄或堆叠数之间存在相关性(见图6中的图表)。

表2 前瞻性病例的人口统计学和结果 查看原表 ↗
图6 实时部署的结果。a 扫描方案结束时的截图及牵拉序列。b、c 两例病例在MR扫描期间扫描仪控制台上生成的脑(绿色框)和身体(蓝色框)三维T2W重建结果。d、e、f 在线重建所需时间与扫描时孕龄、BMI和堆叠数的定量评估。g 箱线图显示重建在线可用时间的分布范围。BMI,体重指数;GA,孕龄 查看原图 ↗

讨论

在本研究中,我们设计并实现了首个原型流程,用于通过Gadgetron在0.55 T扫描仪上部署的低场MRI中对胎儿脑和身体T2W进行自动化T2W三维D/SVR联合重建,使得运动校正后的T2W三维重建结果在检查期间即可在扫描仪控制台上获得。虽然D/SVR此前已在1.5 T和3 T上得到验证,但本工作将其应用扩展至低场胎儿MRI扫描。低场扫描带来独特的挑战,如较低的SNR和降低的分辨率。因此,D/SVR在低场强下的可用性代表着使高质量胎儿MRI更广泛地用于研究和临床应用的重要一步。

因此,主要的新颖组成部分是将胎儿脑+身体D/SVR方法整合为一个联合流程、将T2W三维图像域重建方法应用于低场胎儿MRI,以及将这些方法集成到扫描仪环境中。

该工作流程不仅允许对低场扫描仪中扫描的所有患者自动且即时地运行D/SVR,结果与采集图像一起存储在PACS中,而且还减少了在扫描后离线运行处理流程的放射技师和研究人员的工作量。

对83例回顾性病例中针对T2加权(T2W)0.55-T数据优化的拟议自动化D/SVR流程进行定量和定性评估,结果表明使用T2W三维重建方法用于低场MRI具有普遍适用性。在重建质量和时间方面,它还显示出与最新用于胎儿大脑的最先进深度学习方法[17]相当的性能。这表明目前可用的大多数SVR方法通常可以互换使用,且SVR重建质量主要由输入MRI数据决定。

该原型自动化流程还允许将D/SVR方法直接集成到扫描仪环境中,使得T2W三维重建能够在检查过程中在扫描仪控制台上可视化。对12例病例进行的实时宫内前瞻性测试结果证实了该方法的稳健性、对扫描采集无干扰以及获得良好数据质量的能力。来自六个堆栈的T2W三维脑重建平均在7分钟内可在控制台上获得,仅有一例耗时超过10分钟,归因于控制台计算机的临时性能下降。所提出的实时部署方案的主要优势之一是,在扫描过程中直接运行T2W三维SVR重建,可以将T2W三维图像与原始堆栈数据一起直接导入PACS(或类似系统),而无需在采集后进行任何额外的离线处理步骤。

如预期的那样,0.55 T下的重建图像质量本质上低于传统的1.5-T和3-T结果。这一差异主要是由于较低场强相关的特征和组织界面锐度降低,反映了原始堆栈数据质量的预期局限性。同时,近期[34, 35]的研究使用一组多中心1.5-T和3-T采集协议独立评估了所提出的自动化SVR流程用于胎儿脑重建的性能,并将其与替代重建流程[11, 17]进行了比较。他们的发现证实了将当前流程应用于更高场强的可行性,表明所提出的自动SVR方法可提供更优的图像质量。

由于本工作的主要目标是对0.55-T进行一般性D/SVR可行性评估和实时集成,我们未纳入该流程在极端运动和信号丢失数据集上的性能评估。在临床实践中,这些病例通常仅占数据集的一小部分,且应可能通过实时采集质量控制来解决,因为缺乏原始T2W二维切片图像信息将使得任何T2W三维重建图像在定义上不可靠。

我们未来的工作还将侧重于对最低输入图像要求的详细技术形式化,以及一个自动化实时堆栈质量分类模块,该模块还可为运动损坏堆栈的重新采集提供主动指导[20]。

就提高该流程对早期GA病例的性能而言,需要通过对早期GA病例的定位和重定向网络进行进一步再训练,并优化模板生成和切片到体配准模块,来开展进一步优化。此外,所提出的自动D/SVR流程仅在无重大结构异常的数据集上进行了训练和测试。然而,将其整合到临床实践中将要求其能够适用于多种临床状况。作为下一步,我们将使该流程适用于解剖结构存在极端偏差的病例,例如重度脑室扩大、脊柱裂和先天性膈疝,以及双胎妊娠。这将通过在更广泛的不典型病例上进一步再训练网络,并增加分类和预处理步骤来实现。

这项工作的一个潜在局限性是重建部分依赖经典的D/SVR方法,以及关键点重定向方法对低质量堆栈的预期敏感性。尽管整个流程可运行,但整合更先进的深度学习超分辨率重建和姿态估计方法[17]将有助于在严重运动损坏病例中实现稳健性能。这将在未来工作中解决,基于对用于结构MRI的最佳D/SVR重建流程模块的全面研究,并扩展自动器官分割[36],以便在扫描期间进行体积测量报告。此外,我们将探索针对严重信号和对比度丢失数据集的深度学习图像恢复解决方案。

所提出的基于Gadgetron的扫描仪部署结构依赖D/SVR docker应用的外部启动,这一事实也可被视为一种局限性,因为激活以及将结果传回扫描仪依赖文件可用性逻辑。可能的解决方案之一可基于将重建代码更高级地整合到Gadgetron界面中,例如动态掩蔽、重定向[18, 19],以及将堆栈顺序添加到重建功能中。

另一个实时实现方面的局限性是,在触发SVR后,序列列表中需要留有足够时间,以便在扫描持续时间内完成重建过程并在扫描仪中获取结果,这可能对不同协议设置构成限制。目前,如果扫描已完成而结果尚不可用,可在扫描后通过随时运行拉取序列来获取结果。然而,未来将探索一种更省时的迭代方法。该方法包括在采集到第一个堆栈后立即初始化在线SVR流程,随后在采集后立即将后续堆栈增量添加到重建中,从而加速整体过程。

虽然此处是在一家厂商的0.55-T系统上实现的,但将在线部署流程推广到更广泛厂商的1.5–3-T场强其他系统是合乎逻辑的下一步,这得益于除MR序列本身之外每一步均使用开源工具。

另一个重要方面是在0.55 T下对T2W 3-D D/SVR图像进行定性评估,考察其附加诊断价值和图像质量局限性。总体而言,T2W 3-D重建在提供T2W 3-D空间连续信息方面改善了信息含量,这对T2W图像的解读以及生物测量或体积测量均有益处。然而,仍需进一步开展更广泛的临床评估,以评价T2W 3-D 0.55-T图像在临床实践中的相关性和可靠性,并与1.5-T和3-T数据进行比较。

我们还将在T2W 3-D重建图像的背景中引入一个SVR特定的水印标签,以将其标记为处理输出,并将其与原始扫描数据区分开来。

结论

本研究表明,一种实时扫描仪集成解决方案用于0.55-T胎儿脑部和体部T2W 3-D重建是可行的。将T2W 3-D D/SVR重建方法直接整合到临床环境中的初步工作已经开发完成,并有望实现胎儿MRI扫描的简便处理和报告。此外,这是首个关于低场胎儿MRI T2W 3-D重建的报道。我们未来的工作将集中于进一步优化D/SVR重建和图像质量控制,并将其整合到扫描仪环境中,以实现更高场强下的实时处理。

引用

  1. Uus A, Neves Silva S, Aviles Verdera J, et al. Scanner-based real-time three-dimensional brain + body slice-to-volume reconstruction for T2-weighted 0.55-T low-field fetal magnetic resonance imaging. Pediatr Radiol. 2025. PMID: 39853394. doi:10.1007/s00247-025-06165-x
  2. 全文:PMC11882667(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11882667/

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。