深度学习增强零回波时间静音脑磁共振成像在无镇静婴儿中的应用
这项回顾性研究纳入78例胎龄≤16个月的婴儿,比较镇静下MPRAGE与无镇静喂养包裹技术下ZTE(含和不含深度学习重建)的图像质量。三位放射科医师用5分Likert量表评分,ZTE-DL在噪声、灰白质分化、伪影和整体图像质量上得分最高,除噪声外与MPRAGE无显著差异,且显著优于ZTE。结论认为DL重建可改善ZTE图像质量,提供与MPRAGE相当的图像质量,可能减少婴儿脑MRI的镇静需求。
要点
- ZTE-DL在噪声、灰白质分化、伪影和整体图像质量上得分最高,除噪声外与MPRAGE无显著差异。
- ZTE-DL在噪声、灰白质分化、伪影和整体图像质量上显著优于ZTE(均P<0.017)。
- 病灶显示清晰度在三序列间无显著差异(均P>0.017)。
核心结论
- 基于深度学习的MRI重建改善了ZTE图像质量,提供了与MPRAGE相当的图像质量,可能减少婴儿脑MRI的镇静需求。
研究设计与样本
- 回顾性研究,78例婴儿(胎龄≤16个月),对照组38例镇静下3D T1加权MPRAGE,实验组40例无镇静喂养包裹技术下反转恢复准备ZTE(含和不含DL重建),3-T扫描仪(SIGNA Premier; GE Healthcare),48通道头线圈。
关键影像表现/征象
- ZTE-DL在噪声、灰白质分化、伪影和整体图像质量上平均得分最高,其次为MPRAGE和ZTE。
- ZTE-DL与MPRAGE除噪声外无显著差异(均P>0.017),噪声在读者1和2中评为显著不同。
- ZTE-DL在噪声、灰白质分化、伪影和整体图像质量上显著优于ZTE(均P<0.017)。
- 病灶显示清晰度在三序列间无显著差异(均P>0.017)。
诊断标准与关键数值
- 图像质量采用5分Likert量表:1不可接受、2差、3可接受、4好、5优秀或理想;伪影评分1不可读至5无可见伪影;病灶显示清晰度1不可见至5高度清晰。
- 信度评价:加权Cohen kappa系数,读者1和2在灰白质分化上为中等一致(κ=0.563),整体图像质量几乎完美一致(κ=0.821),其余大部分指标为显著一致(κ>0.6)。
- 信号均匀性以变异系数评估,感兴趣区包括白质(双侧半卵圆中心)、深部灰质(双侧壳核和丘脑)和脑脊液(双侧侧脑室体部),每个ROI面积至少5 mm²。
临床应用与阅片要点
- ZTE-DL联合喂养包裹技术可能为传统镇静下MPRAGE提供临床可行的替代方案。
- ZTE序列伪影类型与传统序列不同,需放射科医师仔细评估。
- 直接比较MPRAGE与ZTE/ZTE-DL图像质量评分需谨慎,因镇静状态和采集时期不同为潜在混杂因素。
局限性
- MPRAGE与ZTE/ZTE-DL组为回顾性非配对队列,患者特征存在差异,限制直接图像质量比较的有效性。
- 病灶显示清晰度很大程度上取决于病灶特征,难以确定分级差异是否真正反映清晰度差异;读者已知病灶位置,病灶显示清晰度未测量检测性能。
- 基于DL的MRI重建算法针对特定厂商的k空间数据优化,限制其跨厂商适用性。
- 运动未定量评估,镇静可能影响检查失败或重复率,但未反映在图像质量评分中。
- ZTE序列图像质量可能因填充中心k空间间隙的算法不同而变化,本研究未对此进行检查。
全文中译12 节 · 点击展开
引言
磁共振成像(MRI)是一种非电离技术,可提供儿童患者大脑解剖结构和生理特征的高分辨率图像[1]。在新生儿和婴儿中,使用MRI早期检测先天性畸形或早产相关损伤对于预测神经发育结局至关重要[2]。获得高质量脑部MRI需要尽量减少患者运动,而这在婴儿中通常需要镇静或麻醉。然而,这些干预措施可能对发育中的大脑产生神经毒性效应,促使人们努力通过单次激发快速自旋回波、径向k空间采样和压缩感知等技术来缩短扫描时间[3–5]。
静音MRI近来作为一种应对这些挑战的技术而出现,其在评估儿童脑髓鞘化方面可降低声学噪声,同时保持与常规MRI相当的诊断性能[6–8]。零回波时间(ZTE)序列是静音MRI的基础。它采用径向中心向外编码,使梯度连续运行而无需切换,在射频激发后立即采集数据(回波时间(TE)≈ 0),从而保留短T2信号[9]。然而,ZTE使用短重复时间(TR)进行快速数据采集和低翻转角,这本身会降低信噪比(SNR)并限制长T2弛豫时间软组织的对比度。因此,图像质量通常低于常规MRI。此外,与笛卡尔技术相比,径向采集方法使数据处理和图像重建更加复杂[10, 11]。
基于深度学习(DL)的MRI重建的最新进展通过提高SNR和减少伪影改善了图像质量,同时通过k空间学习、图像域学习或直接映射加速了重建[12–15]。多项研究已证明基于DL的去噪具有临床实用性,包括在儿童神经影像中的应用[16–19]。这些进展使各MRI厂商能够将DL应用于k空间数据以生成高质量图像[20, 21]。因此,将DL应用于婴儿脑部ZTE成像可能在降低声学噪声和扫描时间的同时提高图像质量,从而可能减少对镇静的需求。
本研究旨在评估基于DL的重建对采用喂哺包裹技术获取的T1-ZTE婴儿脑部MRI图像质量的影响,并与在镇静下进行的常规MRI进行比较。
材料与方法
本研究获得了我们机构审查委员会的批准(首尔国立大学医院IRB编号H-2505-045-1637),并豁免了患者知情同意的需要。
研究队列
本回顾性研究纳入2022年1月1日至7月31日期间连续接受脑MRI检查的38例患者(男21例;出生胎龄29.6±5.1周;成像时矫正胎龄39.4±3.3周)作为对照组。口服水合氯醛50 mg/kg进行镇静。实验组由2024年4月1日至2024年12月31日期间连续接受脑MRI检查的40例患者(男15例;出生胎龄28.8±4.4周;成像时矫正胎龄39.9±5.5周)组成,采用喂养包裹技术(feed-and-wrap technique)在不使用镇静的情况下完成检查[22]。纳入标准为矫正胎龄16个月或以下、接受脑MRI检查(包括三维(3D)T1加权序列)并入住新生儿重症监护病房(NICU)的婴儿。对照组和实验组的人口学特征总结于表1。
磁共振成像方案
所有MRI均在配备48通道头部线圈的3-T扫描仪(SIGNA Premier;GE Healthcare,Waukesha,WI)上进行。对照组的脑MRI序列包括3D T1加权磁化准备快速梯度回波(MPRAGE)、T2加权快速自旋回波、磁敏感加权成像、轴位弥散加权成像(DWI)和表观弥散系数(ADC)图。实验组接受3D T1加权反转恢复准备的ZTE成像(分别采用和不采用DL重建),以及T2加权快速自旋回波、轴位DWI和ADC图。
对于对照组,MPRAGE图像使用强度滤波器A(ClariView;GE Healthcare)处理,该滤波器应用轻度锐化和去噪。在实验组中,反转恢复准备的ZTE图像使用强度滤波器B(ClariView;GE Healthcare)处理,该滤波器应用更强的锐化和去噪。ZTE k空间数据使用厂商提供的原型DL重建算法(AIR™ Recon DL;GE Healthcare)进行重建,称为ZTE-DL [20]。MPRAGE、ZTE和ZTE-DL的MRI参数见表2。
深度学习重建算法
基于DL的重建算法处理原始k空间数据,以减少噪声和截断伪影,同时增强边缘锐利度,从而较传统方法改善图像质量[20]。该卷积神经网络包含约440万个可训练参数,分布于10,000个卷积核中,使用ReLU激活函数且不含偏置项,设计用于在不同噪声水平下实现尺度不变的有效盲去噪。监督训练使用配对数据集进行,该数据集由接近完美的高分辨率图像和人工合成的退化常规图像组成。数据增强(包括几何变换和基于强度的变换并添加噪声)产生了包含四百万个唯一样本的数据集。训练使用ADAM优化器[23]在单个epoch内完成,该epoch包含四百万次迭代。尽管该算法最初为2-D数据开发,但最近已扩展至3-D,以减少所有空间方向上的噪声和振铃伪影[24–26]。
定性分析
三名放射科医师(盲法,分别具有2年、14年和15年儿童脑MRI判读经验)使用5点Likert量表独立评估三个成像序列(MPRAGE、ZTE和ZTE-DL)。五项图像质量指标为图像噪声、灰白质分化、伪影、病灶可见度和整体图像质量。评估使用INFINITT PACS 7.0系统(INFINITT Healthcare Co., Ltd.,韩国首尔)进行。审阅者的窗宽窗位设置、评估时间和图像滚动不受限制。一名未参与图像质量评估的放射科医师(盲法)随机排列三个序列的图像。审阅者以随机顺序接收这些图像,并对患者信息和可能揭示成像序列的扫描参数设盲。他们彼此之间的评估也相互设盲。
图像噪声、灰白质分化和整体图像质量按以下量表评分:1,不可接受;2,差;3,可接受;4,好;5,优秀或理想。伪影(包括截断伪影和运动伪影)评分为:1,伪影无法判读,非诊断性图像;2,严重伪影,质量下降但可判读;3,中度伪影,对诊断质量有一定影响但不严重;4,轻微伪影,对诊断质量无显著影响;5,无明显伪影。对于有预先标注病灶的患者(MPRAGE,12/38 [31.6%];ZTE和ZTE-DL,14/40 [35.0%]),病灶可见度分类如下:1,不可见;2,模糊但可检出;3,中等清晰;4,显示良好;5,非常清晰。向审阅者提供了病灶位置。
定量分析
采用变异系数评估白质、灰质和脑脊液(CSF)区域的信号均匀性以进行定量分析。一名儿童放射科医师(盲法)在三个序列的所有轴位图像上放置八个感兴趣区(ROI):两个位于白质(双侧半卵圆中心),四个位于深部灰质(双侧壳核和丘脑),两个位于CSF(双侧侧脑室体部)。仔细选择轴位层面以最佳显示目标结构,同时避开血管、脑沟和脑池等非实质区域。每个ROI面积至少为5 mm2。对于每个区域,变异系数按标准差除以平均信号强度计算,然后对每种组织类型取平均值。将这些组织特异性数值在三个序列之间进行比较。
统计分析
组间人口学比较采用Mann–Whitney U检验,性别除外,性别采用卡方检验分析。组间MRI表现比例的比较高采用Fisher精确检验。P值<0.05被认为具有统计学意义。对于三个序列的定性和定量比较,采用Bonferroni校正的Mann–Whitney U检验,显著性阈值设定为P<0.017。三名读者间的评分者间一致性采用成对加权Cohen's kappa检验评估。一致性水平解释如下:0.20及以下为差;0.21–0.40为一般;0.41–0.60为中等;0.61–0.80为高度一致;0.81–1.00为几乎完全一致。所有统计分析均使用Python(v.3.13.2;Python Software Foundation,Wilmington,DE)及pandas(v.1.1.5)、SciPy(v.1.6.0)和scikit-learn(v.1.1.3)库进行。
结果
定性分析
各序列五项图像质量指标评分的均值和标准差汇总于表3,代表性轴位图像见图1。在图像噪声、灰白质分化、伪影和整体图像质量方面,ZTE-DL在所有三名读者中均获得最高平均分,其次为MPRAGE和ZTE。在比较MPRAGE与ZTE时,所有读者均报告灰白质分化和整体图像质量存在统计学显著差异,而仅读者3注意到噪声和伪影存在显著差异。在MPRAGE与ZTE-DL之间,所有读者均未观察到显著差异(所有P>0.017),但噪声除外,读者1和读者2对其评分存在显著差异。与ZTE相比,ZTE-DL在所有读者中图像噪声、灰白质分化、伪影和整体图像质量的均分均显著更高(所有P<0.017)(图2和图3)。病灶显示清晰度评分在任何读者中三个序列间均无显著差异(所有P>0.017)。
加权Cohen's kappa值表明读者间总体为高度一致,但读者1与读者2在灰白质分化方面为中等一致(κ=0.563),同两名读者在整体图像质量方面为几乎完全一致(κ=0.821)。
定量分析
各序列中白质、灰质和脑脊液变异系数的均值和标准差汇总于表4。对于白质和灰质,变异系数在ZTE-DL中最低,其次为ZTE和MPRAGE,表明ZTE-DL具有最高的信号均匀性(白质中MPRAGE vs. ZTE,P=0.011;所有其他比较,P<0.001)。在脑脊液中,ZTE-DL和ZTE显示较低的变异系数和较高的信号均匀性,优于MPRAGE,ZTE与ZTE-DL之间无显著差异(ZTE vs. ZTE-DL,P=0.721;所有其他比较,P<0.001)。
讨论
在本研究中,基于深度学习的MRI重建改善了采用feed-and-wrap技术采集的ZTE的图像质量。非镇静ZTE的整体图像质量低于镇静MPRAGE,而ZTE-DL达到了与MPRAGE相当的质量。
降低声学噪声是减少婴儿脑MRI检查中运动的关键策略,从而减少不适和图像伪影。尽管可以使用耳塞或噪声衰减器等辅助方法,但它们具有固有局限性。根本性努力集中在减少梯度线圈振动产生的机械噪声。ZTE序列是静音MRI的重要组成部分;然而,信号激发与接收之间的延迟——由射频脉冲持续时间、发射-接收切换和滤波器群延迟引起——限制了早期数据采集,导致中心k空间间隙和数据缺失[11]。中心k空间间隙和外周分辨率降低可能削弱图像对比度和锐度,从而损害整体图像质量。此外,低翻转角降低了横向磁化,导致信号减弱和SNR降低。
几项研究探讨了静音脑MRI在儿科人群中的应用价值[6, 8]。这些研究主要集中于评估髓鞘化和量化灰白质对比度,但未对图像质量进行全面评价。与传统序列相比,零回波时间(ZTE)序列在读出过程中更容易因失谐效应(如主磁场不均匀性、组织磁化率差异和脂肪-水化学位移)而积累相位[10]。因此,其图像伪影类型与传统序列不同,需要放射科医生仔细评估。此外,由于采用径向采样,采样密度不如笛卡尔采样均匀,中心k空间数据的重复平均可能导致局部模糊和条纹伪影。这些因素可能解释了本研究中ZTE序列相比MPRAGE观察到更高伪影发生率的原因。虽然ZTE序列在降低声学噪声方面具有优势,但由于其在图像质量方面的固有局限性,需要对其临床实用性进行验证。
然而,对MPRAGE、ZTE和ZTE-DL三组间图像质量评分的直接比较应谨慎解读。MPRAGE成像前使用了镇静,而ZTE成像采用了喂奶包裹(feed-and-wrap)技术,使得镇静状态和采集时段的差异成为潜在混杂因素。一项既往研究表明,喂奶包裹技术应用于笛卡尔序列时,与镇静下获得的图像相比,由于运动可产生可接受但略有下降的图像质量[27]。因此,MPRAGE相比ZTE的优越图像质量可能归因于镇静导致的运动减少。本研究的目的并非在严格受控条件下比较成像序列,而是评估基于深度学习(DL)的重建应用于ZTE序列的临床可行性。我们的结果表明,ZTE-DL结合喂奶包裹技术,为传统的镇静下MPRAGE方案提供了临床可行的替代方案。
这些发现得益于基于DL的MRI重建的最新进展,该方法从欠采样k空间数据中学习复杂关系,并快速准确地重建高质量图像[20, 28, 29]。既往研究表明,基于DL的重建在3D T1加权儿童脑MRI中可缩短采集时间、提高图像质量并减少伪影[25],在2D T2加权成像中也观察到类似益处[16, 20]。然而,那些研究将DL应用于笛卡尔k空间数据,要么在欠采样之后[25],要么通过改变重建方法[16, 20]。我们的研究结果表明,使用DL从径向采集的k空间数据重建的T1加权图像在图像质量和信号均匀性方面均有改善,支持了DL与ZTE序列相结合的有效性。
本研究存在若干局限性。第一,MPRAGE与ZTE/ZTE-DL组为回顾性获取的非配对队列,导致患者特征存在差异,限制了直接进行图像质量比较的有效性。为尽量减少此类偏倚,在同一新生儿重症监护病房(NICU)内基于效能计算选取了规模相似的队列。此外,图像质量由三名经验水平不同的放射科医师独立评估,以提高统计效能。第二,由于病灶显着性在很大程度上取决于病灶特征,因此难以确定分级差异是否真正反映显着性差异。主要结构异常无论采用何种序列均高度显著,而较小病灶如点状白质病灶或局灶性出血可能更受序列差异影响。此外,由于阅片者已知晓病灶位置,病灶显着性并未测量检测性能。第三,基于深度学习(DL)的MRI重建算法针对特定厂商的k空间数据进行了优化,限制了其跨不同厂商的适用性。在图像域使用DL可能是解决这一局限性的可行方案。第四,运动未进行定量评估,虽然镇静可能影响检查失败率或重复率,但这未体现在图像质量评分中。第五,ZTE序列的图像质量也可能因用于填充中心k空间间隙的算法不同而变化,本研究未对此进行考察。
结论
采用ZTE序列联合DL重建获取的婴儿脑MRI图像质量较未使用DL重建的ZTE显著提高,并与MPRAGE相当。将DL重建应用于ZTE序列的静音MRI可能是减少婴儿脑MRI检查镇静需求的有效方法。
引用
- Rhee C, Hwang JY, Choi JW, et al. Deep learning-enhanced zero echo time silent brain magnetic resonance imaging in infants without sedation. Pediatr Radiol. 2025. PMID: 41219520. doi:10.1007/s00247-025-06413-0
- 全文:PMC12881091(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12881091/
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。