适用于临床环境的快速稳健定量软骨评估:深度学习增强的加速T2映射
研究在3T MRI上实现结合并行加速与深度学习重建的2D多回波自旋回波T2映射序列(DL CartiGram),体模测试显示站点内重复性CV≤2.52%、T2精度≤1 ms,站点间CV 2.74%、一致性相关系数99%(CI 92-100%)。43例患者52个髌股 compartments 显示DL CartiGram扫描时间减少40%,软骨T2测量CV=0.97%,与常规T2映射无显著差异(p=0.1)。
要点
- DL CartiGram将膝关节软骨T2映射扫描时间缩短约40%,T2值与常规CartiGram无显著差异(p=0.1)。
- 体模站点内重复性CV≤2.52%、T2精度≤1 ms,站点间CV 2.74%、一致性相关系数99%(CI 92-100%)。
- 半自动DOSMA流程单例处理约2分钟,可生成投影视图与裁剪T2图融合图。
核心结论
- DL CartiGram显著加速T2映射,同时保证优异的重复性和可重复性。
- 结合半自动后处理流程,DL CartiGram有望成为临床环境中定量T2软骨生物标志物评估的工具。
研究设计与样本
- 研究为方法学开发与验证研究,在两家站点使用GE HealthCare 3T MR系统(Site 1为3T SIGNA Architect配18通道膝线圈,Site 2为3T Discovery MR750w配8通道膝线圈)。
- 体模实验使用含2%、3%、4%琼脂糖浓度管对的定制体模,以单回波自旋回波(SE)测量为参考值。
- 患者研究前瞻性纳入43例(平均年龄36±12岁;11例女性;平均体重75±15 kg),分析52个髌股 compartments(21个髌股和31个股骨),35例(81%)曾接受自体软骨细胞植入。
- DL CartiGram采用修改的2D多回波自旋回波序列,结合ARC并行加速(加速因子=3)与AIR™ Recon DL重建。
- 参考标准为常规CartiGram(无加速、常规重建)及SE体模参考值;采用DL Knee Segmentation模型和DOSMA框架提取T2值。
关键影像表现/征象
- DL重建在更高ARC加速因子下有效恢复SNR,避免因噪声基底升高导致的T2值高估。
- ARC加速因子4虽可稳健定量T2,但引入更明显的残余混叠伪影和噪声放大。
- 体内DL CartiGram图像SNR较常规重建改善,T2图更稳健、标准差降低。
- 股骨病例显示软骨病变区T2值较高,髌骨病例对应软骨植入术后1年随访。
诊断标准与关键数值
- 体模站点内重复性:Site 1平均CV 1.6%、T2精度0.62 ms;Site 2平均CV 2.52%、T2精度1 ms。
- 体模站点间可重复性:平均CV 2.74%,一致性相关系数CCC 99%(CI 92-100%)。
- 体模站点间Bland-Altman偏倚1.56 ms(p=0.03),Site 1 T2值高于Site 2,可能与温度效应有关。
- 体内DL CartiGram与常规CartiGram比较:准确度CV=0.97%,配对t检验p=0.1,Bland-Altman偏倚≤0.15 ms,95%一致性限包含96%的差值。
- 扫描时间:常规CartiGram 5分10秒 vs DL CartiGram 3分00秒(无相位卷折因子=1.6)。
临床应用与阅片要点
- DL CartiGram联合DOSMA半自动流程可在约2分钟内完成单例膝关节软骨T2定量分析,便于临床工作流整合。
- 流程自动将股骨软骨投影至轴位展开图、髌骨软骨投影至冠状位展开图,并融合裁剪T2图与CartiGram图像,有助于早期软骨病变评估和修复组织理解。
- 体模站点间存在系统性偏倚(1.56 ms,p=0.03),跨站点比较T2值时应考虑温度等环境因素影响。
局限性
- 体内扫描时间减少约40%受限于为避免腘动脉搏动和混叠伪影而必须使用的无相位卷折因子,该限制在体模加速评估中不存在。
- 站点间Bland-Altman分析显示偏倚1.56 ms(p=0.03),可能由温度效应导致。
- Site 2与SE参考值比较存在显著差异(p=0.03),Site 2低估T2值。
全文中译11 节 · 点击展开
引言
骨关节炎(OA)是最常见的关节炎类型,也是老龄化人口面临的重大健康问题,影响约73%的55岁以上成年人[1]。OA是一种退行性疾病,以累及关节所有解剖结构的形态学和生化改变为特征。膝关节OA的一个标志性特征是关节软骨的破坏。蛋白聚糖和胶原基质的早期生化改变先于局灶性缺损的形成,可能导致与已确立的OA相关的更弥漫性软骨丢失[2]。
基于磁共振成像(MRI)的成分分析能够在OA早期阶段检测这些生化和微结构变化,此时这些变化尚未在常规结构MRI序列和关节镜下可见[3]。在各种可用的方法中[2],T2 mapping是目前最为成熟且唯一可商用的用于评估软骨成分的MRI技术,大量支持性文献主要集中于膝关节关节软骨[4, 5]。T2值反映细胞外基质中的水含量、胶原完整性和纤维取向,T2值延长提示软骨退变[6, 7]。除诊断外,T2 mapping还可用于监测软骨修复治疗的反应[8, 9]。然而,缺乏标准化以减少测量变异性并在不同扫描仪之间获得可比结果,阻碍了其临床转化[3]。
为应对这一挑战,定量成像生物标志物联盟(QIBA)的肌肉骨骼生物标志物委员会制定了专门的QIBA软骨成分成像规范[3]。该规范提供了标准化指南和建议,以提高软骨成分成像技术的可重复性。值得注意的是,该规范确立软骨T1ρ和T2值可在3 T MRI上可靠测量,受试者内变异系数为4–5%,从而改善跨临床中心的一致性和可比性。
经典的体内T2 mapping方法采用二维多回波自旋回波(MESE)脉冲序列,通过单次射频激发采集同一k空间线的多个等间距自旋回波[10]。该技术的一个广泛使用的临床实现是CartiGram序列(GE HealthCare,Waukesha,WI)。然而,以这种方式完全采样时空T2弛豫仍然耗时,凸显了进一步加速的需求。
并行成像是通过额外线圈敏感性编码减少k空间读出次数来加速耗时采集的成熟方法[11, 12]。然而,这种加速通常以降低信噪比(SNR)为代价,SNR与加速因子的平方根和线圈几何因子成反比[12]。近期引入的基于深度学习(DL)的图像重建方法已证明在图像质量(即SNR和锐度)以及图像编码效率(即扫描时间和覆盖范围)方面有显著改善[13]。这种新型DL重建方法有可能克服并行成像固有的噪声增强,从而使T2 mapping在临床实践中更加可行。
除了采集负担外,T2 mapping工作流程通常还涉及耗时的手动后处理步骤,以从相关解剖区域提取软骨T2值。分割、配准和量化的自动化将显著简化这一流程,使在临床环境中进行准确且稳健的T2软骨生物标志物评估成为可能[14]。
本研究的目标有三方面:(1) 实施一种结合并行成像加速与基于深度学习(DL)重建的新型T2 mapping序列;(2) 使用经校准的T2参考体模,在部位内重复性和部位间可重复性方面证明其稳健性;(3) 整合一套用于膝关节松弛测量学的半自动化分析流程,并在患者中评估该深度学习增强CartiGram序列相对于传统T2 mapping的表现。
材料与方法
研究设计
本研究实施了一种并行成像加速版本的CartiGram序列(GE HealthCare,Waukesha,WI),该序列为一种每次激发最多采集八个回波的MESE序列,用于快速膝关节软骨T2 mapping。加速通过ARC(笛卡尔成像自校准重建)[15]实现。为提高SNR和图像锐度,重建整合了市售的AIR™ Recon DL重建算法[13](GE HealthCare,Waukesha,WI)。该深度学习方法作用于原始k空间数据,并使用卷积神经网络(CNN)重建图像,在保留边缘细节的同时将噪声和振铃伪影降至最低。该CNN使用监督学习在大型独立数据集上进行训练,该数据集由高质量参考图像及其合成的退化对应图像组成,涵盖多种解剖部位和成像条件。应用了广泛的数据增强以提高泛化性和稳健性。值得注意的是,训练集中未纳入任何CartiGram数据。
MR成像实验在两台安装于两个不同部位的GE HealthCare 3 T MR系统上进行,每台均使用专用的发射/接收膝关节线圈:部位1 – 3 T SIGNA™ Architect,配备18通道发射/接收膝关节线圈(QED,Hannover,Germany);部位2 – 3 T Discovery™ MR750w,配备8通道HD发射/接收膝关节线圈(Invivo,Gainesville,FL)。
体模研究
本研究使用了一个体模,该体模由三对相对排列的试管组成,试管内装有不同浓度的琼脂糖(即2%、3%和4%,重量/体积),固定于圆柱形容器内(图1a)(由Phantom Laboratory,Salem,NY定制制造),模拟膝关节组织特性。参考T2值取自部位2进行的自旋回波(SE)实验,该实验由十次独立的单回波采集组成,每个回波时间(TE)[10–100 ms]对应一次采集,使用15 s的长重复时间(TR)以消除T1弛豫效应(图1b、c)。体模在部位间运送以完成下述实验。
为评估加速对T2测量的影响,在站点1采集了加速因子分别为1(即无加速)、2、3和4的CartiGram扫描,并在有和无深度学习增强的情况下进行重建(TE = 6.8–54.4 ms,回波间距(esp)= 6.8 ms,TR = 1200 ms,10层轴位切片,FOV = (16 cm)2,分辨率 = (0.3125 mm)2 × 3.6 mm)。该分析使得能够选择一种平衡扫描时间与信噪比(SNR)的最优配置:ARC加速因子 = 3联合基于深度学习的重建,该配置随后用于剩余的体模实验以及体内患者研究。
为评估站点内重复性和站点间可重复性,使用优化方案在两个站点的不同日期对体模进行多次扫描,保持线圈内相同的定位和方向。为尽量减少温度引起的变异性,每次扫描前体模至少在扫描室中存放过夜。记录室温,并在体模上贴附温度敏感贴纸以监测扫描前和扫描后温度。该方案还在体模置于三个线圈位置(左70 mm、等中心、右70 mm)下进行测试,以模拟膝关节偏侧性。
患者研究
经机构审查委员会批准并签署书面知情同意书后,从前瞻性招募了43名患者(平均年龄36 ± 12岁;11名女性;平均体重75 ± 15 kg),来源于机构日常安排的常规临床膝关节MRI检查。共分析52个间室(21个髌股间室和31个股骨间室),因为9名受试者双膝或双间室均进行了成像。35名患者(81%)此前曾因局灶性软骨缺损接受过自体软骨细胞植入术,其余患者表现为其他膝关节病变,如既往前交叉韧带重建和/或半月板手术,但未进行软骨修复。本研究仅评估髌骨和股骨软骨。大多数病例在治疗部位表现出中度至重度软骨损伤(Outerbridge III–IV级),而放射学骨关节炎轻微(Kellgren–Lawrence 0–1级),反映出该人群为局灶性软骨病变而非弥漫性退行性疾病。患者在站点1接受扫描,在常规膝关节临床方案中增加了矢状位脂肪抑制3D FSE CUBE序列(TE/TR = 60/1500 ms,FOV = (16 cm)3,分辨率 = (0.3125 mm)2 × 0.6 mm,扫描时间 = 5 min);以及两个2D CartiGram序列,一个无加速且采用传统重建(传统CartiGram),另一个使用先前优化的配置,即ARC加速因子 = 3和深度学习重建(DL CartiGram),股骨间室采用矢状位方向,髌骨间室采用轴位方向。为减少传统CartiGram扫描时间,两个序列仅采集最佳覆盖目标区域(髁或髌骨)的13层切片(TE = 6.8–54.4 ms,esp = 6.8 ms,TR = 1200 ms,FOV = (16 cm)2,分辨率 = (0.3125 mm)2 × 3.6 mm,扫描时间 = 传统CartiGram 5:10 vs DL CartiGram 3:00 min(无相位卷褶因子 = 1.6))。
图像处理
体模
采用半自动分割方法为每个药瓶定义感兴趣区(ROI)。具体做法是使用用户可调阈值进行掩膜以去除背景,随后识别六个连通分量。
然后通过对分割后的药瓶进行逐体素单指数拟合获得T2图。为最小化刺激回波引入的偏差,2D MESE T2图像的第一个回波被排除在拟合之外[16]。拟合后,对T2图外周进行腐蚀处理以减少部分容积效应和振铃效应。对于每个ROI/药瓶,计算T2值的均值和标准差(SD)。
根据最近发表的关于统一MR弛豫测量中配色方案的建议,应用经对数处理的Navia颜色图对T2图进行可视化[17]。
所有处理步骤均使用MATLAB R2022a(MathWorks,Natick,MA)完成(图2)。
患者
对于人体受试者,使用深度开源医学分析(DOSMA)框架开发了基于Python的处理流程[18](图3)。
采用DL膝关节分割(DLKS)模型[19, 20]从3D CUBE图像中自动分割软骨,生成二值掩膜,每个提取的软骨分区赋予不同标签。这些掩膜随后作为额外输入提供给处理流程。由于分析聚焦于股骨软骨(FC)和髌骨软骨(PC),相应的标签被自动从掩膜中提取。
由于为满足常规临床实践中扫描时间的限制,每个病例仅分析一个感兴趣区(单个髁或髌骨),CUBE序列(覆盖整个膝关节)与CartiGram采集(仅针对所选区域)的空间覆盖范围不同。因此,两者的体积具有不同的形状和大小。此外,在股骨病例中,CartiGram层面可能从前后交叉韧带(ACL)水平开始——例如,当对左膝外侧股骨髁(LFC)或右膝内侧股骨髁(MFC)进行成像时——而CUBE则从对侧髁开始并根据从患者视角从右到左的定位覆盖膝关节的完整范围。
为解决这些覆盖差异并增强流程的稳健性,增加了一个额外步骤,自动对CartiGram进行重格式化并调整偏侧性,确保采集不从ACL开始。CUBE体积及其对应的股骨掩膜被重格式化以匹配相同的偏侧性。对于髌骨病例,CUBE体积和髌骨掩膜被重格式化为轴位视图。一旦所有输入具有一致的偏侧性,即实施初始物理对齐[21, 22],使CUBE体积和掩膜的空间坐标与CartiGram的空间坐标相匹配。这用于初始化配准并改善其性能。
随后对CUBE容积进行3D旋转、平移和各向同性缩放,以与CartiGram序列的第一回波对齐。由于其分辨率更高且更趋于各向同性,CUBE被指定为“移动”图像,CartiGram被指定为“固定”图像。采用Mattes互信息度量进行该多模态配准。所得变换应用于掩膜,使CUBE和FC/PC均降采样至CartiGram空间。通过将CUBE和掩膜融合叠加于CartiGram数据集上并目视检查软骨对齐的准确性,对配准参数进行了细化和验证。CartiGram数据集内各回波之间的配准无需进行,因为在MESE采集中回波图像本身即已对齐。所有配准/变换操作均使用DOSMA支持的Elastix [23]和Transformix [23]库完成。
对于其余步骤,使用并适当调整了DOSMA中可用的软骨分析和可视化功能。为加快计算速度,在每个掩膜分割区内进行单指数T2拟合,排除第一回波以考虑受激回波的影响。所得T2图投影至展开[24]的2D视图上,FC为轴位视图,PC为冠状位视图,使用经对数处理的Navia色图。自动进行带亚区划分的参数分析;FC分为三层(全层、深层和浅层)和六个亚区(内侧/外侧的前部/中部/后部)。PC分为相同的三层和两个亚区(内侧/外侧)。裁剪后的T2图自动以DICOM格式保存,便于查看并与CartiGram容积融合。
所提出的流程应用于CartiGram采集,包括传统CartiGram和深度学习(DL)CartiGram,以估计T2图并比较全层软骨(整体)中各亚区的平均T2值。对于FC,由于每例仅对一个髁进行成像,内侧和外侧值按测量体素数进行加权平均,最终得到三个亚区:前部、中部和后部。
统计分析
体模
计算变异系数(CV)以评估体模扫描的站内重复性。计算CV时,来自不同线圈位置的测量值分别考虑。T2精密度使用扫描-重扫描标准差的中位数估计。对于站间可重复性,进行了CV和Bland-Altman(BA)[25]分析。还计算了一致性相关系数(CCC)[26]及其相应的置信区间(CCC-CI),以评估站间以及各站与参考SE值之间的可重复性和一致性。T2值的差异采用Wilcoxon符号秩检验进行评估。
患者
DL CartiGram 在软骨中的准确度 CV 通过将平均总 T2 值与常规 CartiGram 获得的值进行比较来计算。采用配对 t 检验比较两种技术。偏差和一致性限值采用 BA 方法计算,一致性限值(LOA)为 95%。
所有统计检验均在 0.05 的显著性水平下进行。
结果
体模
通过使用更高的 ARC 加速因子,实现了显著的扫描时间缩短,最高加速因子 4 时缩短达 70%。由较少的 k 空间采样和 g 因子噪声放大导致的 SNR 降低,通过 DL 重建得到了有效恢复,从所得的 T2 图(图 4a)中可以看出,否则由于噪声本底升高会导致 T2 值高估 [27]。比较在不同小瓶处测量的平均 T2 值,得益于去噪处理,与传统重建相比,DL 重建在不同加速因子下提供了更一致的值(图 4b)。
通过目视检查图和去噪后的 T2 图,发现 ARC 加速因子 3 在 SNR 和扫描时间缩短之间提供了最佳权衡。这支持其被选为重复性/可再现性体模实验和体内扫描的优化配置。尽管 ARC 加速因子 4 也允许稳健的 T2 定量,但它引入了更明显的残余混叠伪影和噪声放大 [28]。
对于扫描-再扫描体模实验,扫描仪室温度在 Site 1 约为 21.8 °C,在 Site 2 约为 21.3 °C。体模温度贴纸显示温度从扫描开始到结束逐渐升高,Site 1 范围为 18 至 22 °C,Site 2 范围为 20–24 °C。
Site 1 的平均站内 CV 为 1.6%,T2 精度为 0.62 ms;Site 2 为 2.52%,T2 精度为 1 ms,表明每个站点内的测量变异性极小(表 1a)。
Bland–Altman 分析揭示了站点间 T2 测量的系统性偏差,尤其是在较高 T2 小瓶处,Site 1 的值高于 Site 2。平均站间偏差为 1.56 ms,差异具有统计学意义(p = 0.03)(图 5a、c)。
此外,当将各站点的估计值与自旋回波(SE)实验的参考值进行比较时,Site 2 观察到显著差异(p = 0.03),其低估了 T2 值。相比之下,Site 1 表现出更高的准确度,提供的估计值与 SE 参考值密切一致(图 5b、c)。
尽管存在这些差异,整体站间可再现性仍然很高,平均 CV 为 2.74%,一致性相关系数(CCC)为 99%(92–100% CI),表明站点间高度一致(表 1b,图 5c)。
患者
在体内实验中,使用选定的ARC因子3实现了约40%的显著扫描时间缩短。然而,扫描时间缩短的程度受到必须使用无相位卷折因子以避免腘动脉搏动和混叠伪影的限制,这一限制在体模研究中的加速评估期间并不存在。
基于深度学习的重建相比传统重建提高了加速CartiGram采集的SNR,如图6中肉眼所见。同样,深度学习重建提供了更稳健的T2图,标准差降低,与未加速的T2图相似,平均准确度CV = 0.97%。
一名训练有素的操作者运行单个病例的完整松弛测量流程平均需要2分钟。本研究共纳入来自21个髌骨病例的外侧和内侧以及31个股骨间室的前部、中央和后部区域的135次测量。得益于投影视图结合裁剪T2图融合到流程生成的CartiGram序列上,现在可以实现软骨病变的早期评估和对软骨修复组织的更好理解(图7)。
配对t检验显示,使用两次CartiGram采集获得的T2值之间无统计学显著差异(p = 0.1)。Bland–Altman分析也未显示传统与深度学习增强CartiGram采集之间存在显著偏倚(即≤ 0.15 ms)。数值分布随机地围绕零差异线分布,LOA线包含96%的数值(图8)。
讨论
为了有效地将T2 mapping转化为临床应用,建立其准确性和稳健性以及用户友好且直观的工作流程至关重要。在本研究中,我们通过ARC加速结合深度学习(DL)重建增强,实现了一种用于膝关节软骨T2 mapping的新型二维多回波自旋回波(MESE)技术。我们通过在多中心体模研究中评估T2测量的重复性和再现性,并将体内软骨T2测量与常规CartiGram进行比较,验证了该DL CartiGram序列。
DL CartiGram在中心内体模重复性实验中表现出优异的T2精密度(0.62–1 ms),平均变异系数(CV)为1.6–2.52%,这与既往报道的单中心研究CV ≤ 2.45%和CV ≤ 2.8%相一致[4, 29]。我们的发现也与定量成像生物标志物联盟(QIBA)规范[3]所认可的变异范围一致,该规范指出膝关节软骨T2和T1 ρ值的重测变异(非纵向)可在受试者内变异系数为4–5%的水平上测量。我们的中心间再现性同样优异,平均CV为2.74%,优于既往多中心研究的报道,后者显示不同厂商间的平均中心间再现性为5.96%[29],同一厂商为4.1%[4]。我们优异的重复性和再现性可归因于DL重建方法所提供的噪声底降低,与传统重建的T2 mapping技术相比,该方法最小化了偏倚,从而提高了T2精密度。
尽管中心间一致性很高(一致性相关系数(CCC)= 99%,(92–100%)),中心1的T2值与自旋回波(SE)参考值密切匹配,而中心2显示T2值略短(p = 0.03)。有多种因素可能影响弛豫时间定量,如系统硬件、射频(RF)线圈配置和环境波动。本研究中使用的两套系统在峰值梯度幅度、梯度切换率、RF发射和孔径尺寸方面具有相同规格,从而产生相同的脉冲序列时序(即RF脉冲宽度和回波时间(TE)间隔)。尽管系统非常相似,但所使用的不同发射/接收(Tx/Rx)RF线圈的性能预计会影响T2测量,因为它们在RF线圈单元的数量和形状(灵敏度分布)方面存在差异。
相反,能够解释所观察到的T2差异的中心间主要差异是体模温度,因为弛豫时间较短的中心2记录了高达24 °C的较高温度。为了研究温度对T2测量的影响,我们进行了一项受控实验,将体模放置在中心1扫描室外的房间直至其升温至24 °C,然后测量T2值。随后将体模留在扫描室中2天直至其达到20 °C,再次测量T2值。我们计算了每个样品瓶的温度系数,范围为− 1.015至− 0.420 ms/°C,表明T2值随温度升高而持续降低。这表明中心2记录的较高温度导致了所观察到的T2测量值降低。
DL CartiGram 提供了准确的体内测量,显示与传统 CartiGram 测得的 T2 值无显著差异,同时将扫描时间缩短了40%。我们使用配对 t 检验的主要分析将每个区域内的测量视为独立,尽管有些区域来自同一患者。为了解决这一潜在混杂因素,我们还进行了双因素方差分析,将每个软骨隔室(股骨和髌骨)的区域作为分析中的附加因素。方差分析结果表明,T2 测量的变异可由软骨区域的差异显著解释(p < 0.0001),而重建方法对测量无显著影响(p = 0.1),证实 DL CartiGram 在统计学上与传统方法等效。这进一步支持了我们的假设,即 DL 重建可以有效减轻通常与并行成像扫描加速相关的噪声增强,从而获得精确且稳健的 T2 图。近期关于加速 T2 映射技术的研究,如 GRAPPATINI,其采用并行成像结合基于模型的重建用于脑、膝、前列腺和肝脏成像,报告 T2 测量的准确性较低 [30]。具体而言,对于全脑成像,GRAPPATINI 与参考自旋回波测量相比显示出4.3%的相对误差。这一发现强调了 DL 重建在克服加速 T2 映射方法局限性方面的优势。
所提出的用于患者图像处理的半自动流程是朝着将定量 T2 映射作为软骨健康生物标志物纳入临床环境迈出的重要一步,减少了手动后处理的负担并提高了操作者之间图像分析的可重复性。通过添加配准和分析步骤,所提出的流程也有望用于纵向随访研究或大型横断面研究,以帮助研究处于 OA 不同阶段的队列,并提高我们对这一疾病的整体理解。
传统 T2 映射技术需要较长的扫描时间,在临床环境中对于整个膝关节的软骨成像可能不切实际。因此,在本研究中,我们不得不将矢状面采集集中于一个感兴趣的髁以节省时间。在证明快速 DL T2 映射采集的准确性后,现在可以在与使用传统 CartiGram 单个髁相同的扫描时间内完成覆盖两个髁的全矢状面采集。此外,T2 映射扫描时间的缩短可能有助于探索其他有前景的生物标志物。
展望未来,将弛豫测量和形态测量(厚度/体积测量)信息整合到单一序列中是一个有前景的方向。近期一项工作展示了通过5分钟三维双回波稳态(DESS)序列结合这些方面以提高诊断效率的潜力[31]。类似地,T2 shuffling能够实现清晰的多对比度三维快速自旋回波(FSE)成像,并能够从单次采集同时生成形态学图像和定量T2图[32],为高效全面的软骨评估提供了另一种途径。此外,高度加速的成像技术,如采用变密度k空间采样[33]或同时多层(SMS)[34]采集的技术,可进一步缩短扫描时间并提高成像效率,这可能对定量MRI的研究和临床实践均有显著益处。将基于深度学习的采集和重建技术扩展到先进的三维弛豫测量方法,有望在临床可行的扫描时间内实现全面的定量软骨评估。
从采集角度来看,QIBA规范推荐基于磁化准备角度调制分区k空间 spoiled 梯度回波快照(3D MAPSS)的三维技术,因为它提供T1ρ和T2联合成像能力。虽然这些序列仍在开发和验证中,但我们的研究聚焦于商用的基于二维多回波自旋回波(MESE)的CartiGram技术,为实施深度学习增强的定量T2映射提供了一个可及且临床可行的平台。
解释定量结果的一个关键因素是所使用的拟合策略。目前MESE拟合方法,如在骨关节炎倡议(OAI)中所采用的,主要使用单指数模型进行T2映射[35–37],这些模型本质上并非最优,因为它们未考虑射频切片轮廓不完美和B1不均匀性产生的受激回波。尽管我们通过丢弃第一个回波来减少受激回波误差从而解决了这一问题,但这种方法牺牲了有价值的数据并降低了信噪比效率。虽然这些跳过回波的方法相较于标准指数拟合有所改进,但使用能够考虑所有回波路径的模型将更为理想。近期进展,如使用扩展相位图(EPG)形式进行T2拟合[38],已显示出通过更真实地模拟信号衰减来提高MESE T2映射准确性的前景[39]。
我们的研究在扫描-重扫描实验方面存在一些局限性,因为我们未在健康志愿者中测试可重复性和重现性。我们的研究仅限于使用体模的短期重现性,而了解纵向最小可检测变化对于建立使用T2映射技术的多中心纵向研究至关重要。此外,我们仅纳入了来自两个中心的数据,将研究扩展到包括更多平台和不同线圈类型(如接收-only线圈)可提供对T2差异更全面的评估。随着深度学习CartiGram现已被推广到更多临床研究中,我们预计此类研究将很快启动。
关于患者队列,74%为男性。然而,本研究的目标是评估DL CartiGram的性能,该队列提供了软骨健康状态所需的变异性。患者的选择主要基于能够在同一时段内完成传统和DL CartiGram序列的可行性,以解决研究的时间限制。男性患者比例较高的部分原因可由自体软骨细胞植入亚组解释,据报道该手术在Site 1的男性中发生率较高[40]。在未来以理解软骨退变或监测软骨修复为重点的纵向研究中,纳入包含健康对照和多样化人口学代表的平衡队列将至关重要。
总之,我们的研究结果表明,得益于DL重建,加速T2 mapping技术能够显著缩短检查时间,使T2 mapping在临床环境中可行。该方法提供了一致的定量软骨信息,在不同系统间具有优异的可重复性和再现性。此外,所提出的半自动流程提供了一种精简的工作流程,适合广泛的临床探索、采用以及潜在的未来产品实施和商业化。
引用
- Carretero-Gómez L, Wiesinger F, Fung M, et al. Rapid and robust quantitative cartilage assessment for the clinical setting: deep learning-enhanced accelerated T2 mapping. Skeletal Radiol. 2025. PMID: 40968299. doi:10.1007/s00256-025-05034-w
- 全文:PMC12743111(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12743111/
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。