基于图像深度学习增强的加速颅内时间飞跃法MR血管成像在3T和1.5T下缩短扫描时间并提高图像质量
回顾性纳入129例患者,对比深度学习增强加速TOF-MRA(TOF-DL)与传统TOF-MRA(TOF-Con)。TOF-DL扫描时间减少40%,在3T和1.5T下定量和定性图像质量均显著优于TOF-Con,诊断动脉瘤和狭窄闭塞性病变的AUC与TOF-Con相当,但对狭窄闭塞性病变特异度更高。
要点
- TOF-DL较TOF-Con扫描时间减少40%,3T常规方案由198秒降至122秒,高分辨率方案由624秒降至372秒。
- TOF-DL的SNR、CNR、CR、VS均显著高于TOF-Con(均P<0.001),FWHM更低(2.71 vs 2.81,P=0.001)。
- TOF-DL对狭窄闭塞性病变特异度高于TOF-Con,可能减少假阳性,但AUC差异无统计学意义。
核心结论
- 加速颅内MRA联合深度学习重建在3T和1.5T下将扫描时间减少40%,图像质量显著优于传统TOF-MRA,诊断准确性与传统TOF-MRA相当。
研究设计与样本
- 回顾性研究,纳入2022年7月至2023年3月连续129例患者(平均年龄64岁±12,男60例),其中99例3T(常规57例、高分辨率42例),30例1.5T常规方案;采用1.5T Ingenia或3T Magnetom Skyra扫描仪,参考标准为两位神经放射学家基于TOF-MRA(含源图像)联合或不联合DSA和CTA的共识。
关键影像表现/征象
- TOF-DL较TOF-Con降低管腔内信号不均匀和背景噪声,并提高小血管和中血管的可见性。
- 1.5T下TOF-DL改善左大脑中动脉M1段狭窄的信号抑制和假性狭窄,并减轻大脑前动脉狭窄程度的过度显示。
- 3T下TOF-DL减轻右侧颈内动脉远端和大脑中动脉M1段管腔内信号不均匀,DSA证实为狭窄假阳性。
- 深度学习增强可能导致图像过度平滑,在烟雾病中可观察到基底侧支丢失,动静脉瘘中细小供血动脉可能无法检出。
诊断标准与关键数值
- TOF-DL的SNR为9.24 vs TOF-Con 6.74,CNR为183.89 vs 45.58,CR为0.63 vs 0.59,VS为0.73 vs 0.61,均P<0.001;FWHM为2.71 vs 2.81,P=0.001。
- 3T高分辨率亚组中CNR和CR的效应量(Cohen's d=5.25和1.64)大于3T常规(4.34和0.50)和1.5T(2.85和0.59);1.5T的SNR和VS效应量(0.98和2.39)大于3T高分辨率(0.75和0.83)和常规(0.63和0.75)。
- 3T亚组中TOF-DL整体图像质量和VS的OR在常规方案为104.01和60.55,在高分辨率方案为14.12和17.27。
- 动脉瘤诊断AUC:读者1为0.84 vs 0.80(p=0.36),读者2为0.82 vs 0.80(p=0.64),读者3为0.70 vs 0.77(p=0.14)。
- 狭窄闭塞诊断AUC:读者1为0.93 vs 0.86,读者2为0.83 vs 0.78,读者3为0.85 vs 0.84;TOF-DL特异度高于TOF-Con,差异无统计学意义。
临床应用与阅片要点
- TOF-DL可用于加速颅内TOF-MRA采集,在3T和1.5T下均能缩短扫描时间并提升图像质量。
- 深度学习增强可能过度平滑图像,阅片时需注意烟雾病基底侧支和动静脉瘘细小供血动脉的显示可能受损。
- 作者建议在较低加速倍率下使用深度学习图像增强算法,以保留关键诊断信息。
局限性
- 单中心回顾性设计限制了患者人口学特征、MR厂商和扫描参数的多样性,影响研究结果的普遍性。
- 仅部分患者行DSA(脑血管病参考标准),限制了对动脉瘤和狭窄闭塞性病变诊断性能的评估。
- 诊断测试未评估狭窄闭塞和动脉瘤以外的血管病变;阳性病例数有限,无法进一步分析血管炎、血管畸形和先天性血管异常等其他血管病变。
- 定性图像评估的读者间一致性相对较低。
全文中译18 节 · 点击展开
引言
三维(3D)时间飞跃法磁共振血管成像(TOF-MRA)是一种利用血流相关增强效应的无创、非对比剂血管成像技术[1]。该技术已广泛应用于评估脑血管疾病,包括颅内动脉瘤、狭窄闭塞性病变和动静脉畸形[2, 3]。识别颅内血管病变具有重要意义,因为这些病变可能导致动脉瘤性蛛网膜下腔出血(SAH)等严重事件,且病死率高[4]。因此,在TOF-MRA上早期发现血管病变有助于进行适当的血管内或外科手术治疗,从而降低死亡率或致残率。
使用3D TOF-MRA获取高分辨率图像以评估微小血管结构或动脉瘤形态可能耗时较长,通常需要超过5分钟的扫描时间[5–7]。通过采用并行成像或压缩感知技术并提高加速因子,可缩短扫描时间,但图像质量不足以满足临床使用[8, 9]。此外,既往研究报道,1.5-T TOF-MRA的空间分辨率较低,且可能比3-T更容易受到图像噪声的影响[5, 10]。然而,由于患者安全性和成本效益方面的优势,1.5-T MR设备仍然不可或缺。
近年来,基于深度学习(DL)的脑MRI重建技术采用U-net及其他深度神经网络(DNN)等架构,已成功在缩短扫描时间的同时生成高空间分辨率图像[11–13]。这些模型在训练和内部验证阶段利用大量图像数据集进行训练,使其能够从欠采样的低分辨率输入中生成高分辨率图像。然而,在既往关于基于DNN重建的颅内脑血管成像研究中,重点仅在于获得高空间分辨率图像和降低图像噪声,而未在扫描时间方面取得任何改善[14, 15]。
因此,本研究旨在评估使用传统重建和基于DL重建的TOF-MRA对颅内血管的可视化效果,并进一步比较血管结构的图像质量和诊断效用,同时考虑扫描时间和场强的变化。
材料与方法
研究患者
首尔国立大学医院机构审查委员会批准了这项回顾性研究(IRB编号2111-167-1276),并豁免了书面知情同意的要求。我们连续纳入了2022年7月至2023年3月期间接受基线和加速扫描TOF-MRA的患者。纳入标准为:(a)疑似患有脑血管疾病,包括缺血性卒中、出血、动脉瘤和脑血管狭窄闭塞;(b)年龄大于18岁。排除标准如下:(a)因颅内手术夹或栓塞材料导致严重磁敏感伪影;(b)扫描范围不足,未能显示颅内血管的皮质分支(图1)。
MR采集
MRI检查使用1.5-T扫描仪(Ingenia,Philips Healthcare,Best,荷兰)或3-T扫描仪(Magnetom Skyra;Siemens AG Healthcare,Erlangen,德国)进行。所有患者在同一 session 中按照单一方案使用两种MRA序列进行成像:基线(TOF-Base)和加速扫描(TOF-Accel)。对于3-T设置,方案分为常规和高分辨率(HR)方案。TOF-Accel将扫描时间减少40%,常规方案的采集时间为198 s(TOF-Base)和122 s(TOF-Accel),HR方案的采集时间为624 s(TOF-Base)和372 s(TOF-Accel)。在1.5-T下,仅应用常规方案,实现相同的40%减少,采集时间为306 s(TOF-Base)和186 s(TOF-Accel)。扫描参数列于补充材料中的表S1。TOF-Base(TOF-Con)的最大强度投影(MIP)图像使用MR工作站的三维图像处理软件自动生成。MR采集的示意图见图2。
基于深度学习的图像增强
本研究使用了一种市售的、与供应商无关的MR图像增强软件(SwiftMR,v2.0.1.0。AIRS Medical,Seoul,韩国)。该模型采用基于二维U-Net架构的深度神经网络(DNN)[16],旨在降低图像噪声并提高医学数字成像和通信(DICOM)格式图像的空间分辨率。基础结构由具有64个输出通道的卷积块组成,包括四个下采样和上采样阶段。然后该模型后接18个级联卷积块,包含下采样、上采样和特征拼接层,总计三层卷积层。
该软件以多维方式执行MR图像去噪和分辨率增强,这得益于由欠采样模式(均匀、随机、kmax、部分傅里叶、椭圆形等)和图像中噪声量等考虑因素生成的训练输入。基础U-Net架构经过修改以适应多样化的图像采集场景,通过将定义k空间采样的采集参数等上下文数据作为辅助输入,形成上下文增强U-Net(CE U-Net),其整合了动态调制通路以利用来自输入DICOM图像的这些上下文信息。
二维和三维输入图像使用单独的网络,其中三维图像在平面内超分辨率的基础上,在切片编码方向上实现超分辨率。关于该软件结构、训练方案、训练和验证阶段所用数据的详细信息可见于[17]。
该算法应用于TOF-Accel的源图像(TOF-Swift),然后通过将后处理后的源图像传回MR工作站并应用相同的MIP算法生成相应的MIP(TOF-DL)。
定量图像质量分析
一位具有4年神经影像经验的委员会认证放射科医师(Y.H.J.)对以下成像指标进行了定量评估:信噪比(SNR)、表观对比噪声比(CNR)、对比率(CR)、血管锐度(VS)和血管直径的半高全宽(FWHM)。SNR、CNR和CR使用同一层面上基底动脉中部(血管ROI)和脑干(组织ROI)的圆形感兴趣区(ROI)从原始图像中计算。SNR定义为血管ROI的平均信号强度(SI)除以其标准差(SD)。CNR为血管ROI的平均SI除以组织ROI的SD。CR计算为血管ROI与组织ROI之间平均SI的差值,并以其和进行归一化[18]。
VS使用垂直于右侧大脑中动脉(MCA)的线轮廓进行评估,采用FIJI的“Line profile”功能(ImageJ 1.46r Wayne Rasband,美国国立卫生研究院,美国)[18, 19];如果右侧MCA不可见,则选择对侧血管。线轮廓数据使用最小-最大归一化方法进行归一化,VS计算为前壁和后壁血管绝对斜率的平均值。FWHM从同一线轮廓曲线确定,以曲线最大值一半处的像素值测量[18](补充材料中的图S1)。
定性图像质量分析
四位委员会认证的神经放射科医师(Y.H.J.、K.H.L.、J.Y.L.和K.S.C.,分别具有4年、5年、11年和6年的经验),对临床信息和成像技术设盲,以随机交叉方式独立评估了一组TOF-MRA MIP图像集,每次评估之间至少间隔四周。读者使用5点Likert量表对定性图像参数进行评分。
首先,读者对以下参数进行评分:整体图像质量、血管锐度印象、小中等血管可见性、管腔内不均匀性和背景噪声。背景噪声指静脉或颅外血管信号以及未抑制的颅底脂肪。其次,读者对以下血管段的显示进行评分:颈内动脉(ICA)水平和垂直岩段、ICA-C4(海绵窦段)、ICA-C5(床突段)、ICA-C6(眼段)、ICA-C7(交通段)、眼动脉(OA)、MCA(M1-3段)、大脑前动脉(ACA,A1-3段)、后交通动脉(PcomA)、大脑后动脉(PCA,P1-3段)、基底动脉(BA)、小脑上动脉(SCA)、椎动脉(VA)和小脑后下动脉(PICA)[18, 20]。左右两侧一起评分。详细评分系统见补充材料中的表S2。
诊断试验和参考标准
由两位经验丰富的神经放射科医师(K.S.C.和K.M.K.,分别具有6年和15年的经验)达成共识作为参考标准,基于TOF-MRA(包括原始图像)联合或不联合数字减影血管造影和CT血管造影。利用所有可用的临床信息以提高诊断准确性。
在至少四周的洗脱期后,三名读者(读者1:Y.H.J.,读者2:K.H.L,读者3:J.Y.L)在对成像方案和临床信息设盲的情况下,使用两套最大强度投影(MIP)图像集(TOF-Con和TOF-DL)独立评估了颅内动脉瘤和狭窄闭塞的存在情况。
统计分析
定量图像指标采用配对t检验或Wilcoxon符号秩检验进行比较,效应量采用Cohen's d量化(小:0.20–0.50;中:0.51–0.80;大:> 0.80)。采用累积连接混合模型比较定性图像参数[21],将四名评价者对同一患者多次评分产生的聚类效应建模为随机效应。该模型检验了成像方案、扫描时间和场强的影响,包括在1.5-T和3-T下的亚组分析。读者间一致性采用Kendall协调系数(W)检验。W系数值的解释为:差(κ ≤ 0)、轻微(0 < κ ≤ 0.20)、一般(0.20 < κ ≤ 0.40)、中等(0.40 < κ ≤ 0.60)、高度(0.60 < κ ≤ 0.80)和几乎完美(0.80 < κ ≤ 1.00)[22]。读者的诊断性能采用受试者工作特征(ROC)曲线分析评估,曲线下面积(AUC)采用DeLong检验进行比较[23]。同时计算了灵敏度、特异度和诊断准确率。
统计分析使用R语言版本4.2.2(R Core Team,2020)进行。p值 < 0.05被认为具有统计学意义。
结果
研究患者
在最初确定的134例患者中,5例被排除,原因包括扫描范围不足(n = 4)或严重磁敏感伪影导致图像无法完整阅读(n = 1)。最终共纳入129例连续患者(平均年龄64岁 ± 12[标准差];男性60例)。其中,99例接受了3-T TOF-MRA检查(57例采用常规方案,42例采用高分辨率方案),30例采用常规方案接受了1.5-T TOF-MRA检查。63例患者(49.8%)表现出至少一种血管病变,其中40例存在动脉瘤,32例显示狭窄闭塞,而66例患者(51.2%)未显示血管病变(表1)。
定量图像分析
TOF-DL的SNR、CNR、CR和VS值均显著高于TOF-Con(SNR:9.24 vs. 6.74;CNR:183.89 vs. 45.58;CR:0.63 vs. 0.59;VS:0.73 vs. 0.61;所有P < 0.001),但FWHM值较低(2.71 vs. 2.81,P = 0.001)(表2;图3)。这些趋势在各场强亚组中持续存在,尽管在3-T高分辨率亚组中FWHM未见差异(P = 0.73)(补充材料中的表S3)。
亚组分析显示,CNR和CR在3-T高分辨率组的效应量(Cohen's d = 5.25和1.64)大于3-T常规组(Cohen's d = 4.34和0.50)和1.5-T组(Cohen's d = 2.85和0.59)。然而,SNR和VS在1.5-T组的效应量(Cohen's d = 0.98和2.39)大于3-T高分辨率组(Cohen's d = 0.75和0.83)或常规组(Cohen's d = 0.63和0.75)。
图像质量参数
如表3和图4所示,在3.0 T和1.5 T场强下,TOF-DL在所有类别中均 consistently 表现出比TOF-Con更高的获得优评分的可能性,即使在调整场强后亦然(所有P < 0.001)。
在3.0 T亚组中,TOF-DL在所有图像质量参数上均优于TOF-Con,在常规方案和高分辨率方案中均显示出显著结果(所有P < 0.001)。值得注意的是,整体图像质量和血管锐利度在常规方案中的改善程度大于高分辨率方案(整体图像质量的OR:104.01 vs. 14.12,血管锐利度的OR:60.55 vs. 17.27)(补充材料表S4)。
中小血管可见性
如表4所示,TOF-DL在显示所有血管节段方面均显著优于TOF-Con,即使在调整场强和分辨率程度后亦然(所有P < 0.001)。
在3.0 T亚组中,TOF-DL对颅内血管的显示优于TOF-Con。值得注意的是,除眼动脉(OA)外(Cohen's d:0.47 vs. 1.06),所有中小血管在常规方案中的血管显示改善程度均大于高分辨率方案(补充材料表S5)。
评分一致性
图像质量参数的阅片者间一致性为一般至中等,TOF-Con与TOF-DL之间结果相似(W值;TOF-Con为0.38至0.52,TOF-DL为0.38至0.47)。对于中小血管可见性,阅片者间一致性亦为一般至中等,两种方法之间具有可比性(W值;TOF-Con为0.39至0.58,TOF-DL为0.42至0.52)(补充材料表S6)。
血管病变的诊断效能
在129例患者中,共识阅片识别出33例狭窄-闭塞性病变和36例动脉瘤。在颅内动脉瘤的识别中,所有阅片者使用TOF-DL的诊断效能与使用TOF-Con相当(阅片者1的AUC:0.84 vs. 0.80,p = 0.36;阅片者2:0.82 vs. 0.80,p = 0.64;阅片者3:0.70 vs. 0.77,p = 0.14)(补充材料表S7)。
在狭窄-闭塞性病变的识别中,所有阅片者使用TOF-DL与TOF-Con的诊断效能之间无显著差异(阅片者1的AUC:0.93 vs. 0.86;阅片者2:0.83 vs. 0.78;阅片者3:0.85 vs. 0.84)。尽管差异无统计学意义,TOF-DL在诊断狭窄-闭塞性病变方面表现出比TOF-Con更高的特异度,提示假阳性结果更少。代表性图像见图5和图6。
讨论
在本研究中,我们定性并定量评估了一种基于DICOM的、与厂商无关的深度学习图像增强框架,该框架旨在将TOF-MRA的扫描时间缩短40%。与常规TOF-MRA相比,该深度学习框架在不同厂商和磁场强度下均表现出图像质量改善、血管可视化增强和背景噪声降低。此外,TOF-DL在检测脑血管动脉瘤和狭窄闭塞性疾病方面提供了与TOF-Con相当的诊断准确性。
Wicaksono KP等人先前的一项研究表明,使用生成对抗网络(GAN)重建的MRA图像在颅内血管远端和近端段的图像质量方面均优于低分辨率MRA,同时在脑血管疾病评估中保持相似的诊断效能[14]。然而,GAN-MRA并未优于高分辨率MRA,也未缩短扫描时间。相比之下,我们的研究表明,与常规和高分辨率TOF-Con相比,TOF-DL不仅改善了血管可见性、整体图像质量、VS、管腔内不均匀性和背景噪声,还将扫描时间缩短了40%,使高分辨率MRA在3T下约2分钟内、在1.5T下约3分钟内完成。在定量方面,TOF-DL在SNR、CNR、CR、VS和FWHM方面均优于TOF-Con,与我们的定性分析一致。
TOF-Con的一个主要局限性是,由于血流相关增强,它倾向于高估狭窄[24, 25]。当动脉血流呈湍流或平行于扫描层面时,这种高估尤为明显,导致血流自旋失相位引起的信号丢失[26, 27]。先前的研究试图使用超短TE技术来减轻这些伪影[28, 29]。我们的研究应用基于深度学习的图像增强,从加速的低分辨率扫描生成高分辨率图像。该网络的U-Net架构通过层面拼接改善血管连续性,并将血管结构与噪声区分开来[30],从而减少脑血管狭窄闭塞性病变诊断中的假阳性结果。
基于深度学习的图像增强算法存在某些挑战,尤其是在保留正常解剖细节方面。这些算法可能会去除信噪比(SNR)显著低于其训练时所针对区域的区域,导致图像过度平滑,尤其是在较高加速因子下[17]。这可能导致不良问题,例如颅内血管融合和皮质分支可见度降低。在特定临床情况下,这些局限性可能影响诊断准确性。例如,在烟雾病患者中,已观察到基底侧支丢失(补充材料中的图S2),而在动静脉瘘病例中,小的供血动脉可能无法检出。为减轻这些问题,必须在较低加速因子下使用基于深度学习的图像增强算法,因为这种方法对于保留关键诊断信息至关重要。此外,由于该方法作用于DICOM数据而非原始k空间,它可能较少受到高斯噪声影响,从而降低图像伪影的风险。
我们的研究结果表明,基于深度学习的图像增强可改善图像质量和血管可视化,尤其是在1.5T下,在VS中效应量更高。这种改善可能归因于固有信号较低,基于深度学习的算法在恢复固有信号和减轻低空间分辨率伪影(如体素内去相位)方面发挥更大作用,从而提高边缘锐度。这些进步可能缓解1.5-T下常见的诊断挑战,例如狭窄闭塞性病变的过度诊断[31, 32]。此外,我们的研究结果与先前一项研究[15]一致,表明基于深度学习的图像增强有效补偿了1.5-T下较低的SNR。
3-T MRI扫描仪常用于检测较小的动脉瘤或弹簧圈栓塞后的残留[33–35]。为尽量减少磁敏感伪影,采用了尽量减少TE和增加带宽等策略。虽然这些调整有效减少伪影,但它们可能导致SNR降低,而SNR降低通常通过增加采集时间来补偿。然而,延长扫描时间会增加运动伪影风险,导致图像质量下降并可能遗漏动脉瘤,这可能导致包括SAH在内的严重后果[36, 37]。我们的结果显示,即使采用高分辨率方案,采集时间也可缩短约40%,同时显著改善图像质量和小尺寸血管的可视化。
在一项针对颅内血管病变的诊断试验中,TOF-Con与TOF-DL在狭窄闭塞性疾病和动脉瘤的诊断方面未发现差异。这些发现表明,基于深度学习的图像增强算法在识别脑血管疾病方面可提供相当的诊断性能,同时实现约40%的采集时间缩短。
局限性
本研究存在若干局限性。第一,由于采用单中心回顾性设计,患者人口学特征、MR设备类型和扫描参数的多样性本身就受到限制。这一局限性影响了本研究结果的普适性。第二,仅有一部分患者接受了DSA检查,而DSA是脑血管疾病的参考标准,这限制了我们评估其对动脉瘤和狭窄闭塞性病变的诊断性能的能力。然而,由于其侵入性,DSA在临床实践中并非对所有病例常规使用,尤其是对于小型颅内硬膜外动脉瘤或轻度脑血管狭窄且不需要积极干预的患者。第三,我们的诊断测试未评估除狭窄闭塞和动脉瘤以外的血管病变。由于阳性病例数量有限,我们无法进一步分析其他血管病理,如血管炎、血管畸形和先天性血管异常。第四,定性图像评估的阅片者间一致性相对较低,可能反映了主观评估的变异性。为提高研究结果的普适性和可靠性,建议未来开展多中心设计且阅片者数量更多的研究。
结论
基于深度学习(DL)的图像增强算法显著提高了颅内时间飞跃法(TOF)-MRA的效率,扫描时间缩短40%,在3-T和1.5-T场强下均显示出优于常规TOF-MRA的图像质量。
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
- Jeon YH, Park C, Lee KH, et al. Accelerated intracranial time-of-flight MR angiography with image-based deep learning image enhancement reduces scan times and improves image quality at 3-T and 1.5-T. Neuroradiology. 2025. PMID: 40095006. doi:10.1007/s00234-025-03564-7
- 全文:PMC12125137(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12125137/
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。