深度学习提升运动稳健且免镇静儿童脑MRI图像质量
这项前瞻性单中心研究纳入62例儿童患者,比较深度学习重建的单次激发T2加权序列(T2-SSHDL)与常规压缩感知重建(T2-SSHconv)及高分辨率T2加权序列。结果显示T2-SSHDL在aCNR、aSNR及锐利度(ERD)上均显著优于T2-SSHconv,且在非镇静患儿中运动伪影更少、病灶显示相当,未遗漏病灶。
要点
- 深度学习重建的单次激发T2序列较常规压缩感知重建显著提高aCNR、aSNR并降低ERD,图像锐利度和病灶显示更佳。
- 在非镇静患儿中,T2-SSHDL较高分辨率T2序列运动伪影更少、病灶显示相当,未遗漏任何病灶。
- T2-SSHDL可用于超快、运动稳健的儿童脑MRI,有望减少镇静需求,但病灶特征描述仍逊于高分辨率T2序列。
核心结论
- 基于深度学习重建可显著提升儿童T2加权单次激发脑MRI的锐利度、对比度和诊断信心,在保持超短采集时间的同时实现临床可用的运动稳健成像,并可能减少镇静需求。
研究设计与样本
- 前瞻性单中心研究,纳入62例儿童患者(平均年龄7.4±4.9岁,36男26女),在3.0-T扫描仪(Ingenia 3.0-T ElitionX,Philips Healthcare)使用32通道头线圈(33次扫描,层厚3 mm)或16通道头线圈(29次扫描,层厚4 mm)采集T2加权单次激发序列,原始数据分别用常规压缩感知重建和深度学习框架(结合压缩感知与两个卷积神经网络)重建。
关键影像表现/征象
- T2-SSHDL序列的aCNR为29.9±22.6,显著高于T2-SSHconv的26.7±16.5(p < 0.001)。
- T2-SSHDL序列的aSNR为41.6±27.9,显著高于T2-SSHconv的38.2±20.8(p = 0.003)。
- T2-SSHDL序列的ERD为0.90±0.35 mm,显著低于T2-SSHconv的1.35±0.42 mm(p < 0.001),提示图像更锐利。
- 在非镇静患儿中,T2-SSHDL较高分辨率T2加权序列显示更少运动伪影且病灶显示相当,未遗漏病灶;在镇静患儿中,高分辨率T2序列的图像质量和病灶显示更优。
- 高分辨率T2序列在镇静与非镇静患儿间伪影评分有显著差异,而T2-SSHDL序列无差异,提示运动敏感性降低。
诊断标准与关键数值
- 两名放射科医生(分别有4年和9年经验)独立使用5分Likert量表(1=不可诊断,5=优秀)对伪影、图像锐利度、病灶显示和整体图像质量进行评分。
- T2-SSHDL与T2-SSHconv比较的评分者间Cohen κ为0.71(95% CI:0.60–0.82),T2-SSHDL与高分辨率T2序列比较的评分者间Cohen κ为0.73(95% CI:0.53–0.93)。
- 评分者内可靠性:评分者1的Cohen κ为0.97(95% CI:0.93–1.00),评分者2为1.00(95% CI:0.99–1.00)(T2-SSHDL与T2-SSHconv比较);评分者1为0.89(95% CI:0.75–1.00),评分者2为0.69(95% CI:0.47–0.91)(T2-SSHDL与高分辨率T2序列比较)。
临床应用与阅片要点
- 深度学习重建的单次激发T2序列可在数秒内提供运动稳健、诊断质量的儿童脑图像,适用于非镇静患儿,可能减少镇静需求。
- T2-SSHDL序列对运动伪影不敏感,在高分辨率T2序列因运动伪影质量下降时仍可提供可用图像。
- 病灶特征描述(如内部囊性成分或细微结构)仍以高分辨率T2序列更优,T2-SSHDL应作为补充工具而非替代标准T2序列。
- 深度学习重建本身不进行运动校正,其运动稳健性主要来自单次激发采集技术。
局限性
- 使用厂商特定的重建软件,可能限制跨平台的可重复性。
- 缺乏针对特定病理的诊断性能分析。
- 深度学习重建并未显式建模或校正患者运动,其对运动稳健性的贡献应理解为间接的。
- 深度学习模型的训练数据可能影响性能。
- 需要在不同场强、厂商和年龄组中进行前瞻性多中心验证,才能常规临床实施。
全文中译10 节 · 点击展开
引言
快速、抗运动的磁共振成像(MRI)仍然是诊断成像领域的主要技术前沿之一,尤其是在儿童神经影像学中,患者运动和不配合对可实现的采集速度构成挑战,损害图像质量,且常常需要镇静 [1–3]。因此,开发更快速、耐受运动的成像技术对于提高儿科放射学的安全性、诊断质量和工作流程效率至关重要 [4]。尽管并行成像、压缩感知(CS)[5–7]等加速策略以及PROPELLER(周期性旋转重叠平行线增强重建)成像 [8, 9]等运动补偿方法提高了采集速度和稳健性,但它们仍受限于信噪比(SNR)、空间分辨率、伪影稳健性和诊断可靠性方面的权衡。对于儿童脑部MRI,单次激发T2加权成像可实现快速且抗运动的采集,但回波链过长会降低对比度分辨率和精细结构细节 [10, 11]。因此,基于深度学习(DL)的重建能否克服这些限制,同时实现速度和诊断图像质量,仍不确定,尤其是在不配合或易运动的儿童中。
多项研究已在不同解剖应用中证明了在锐度、对比噪声比和伪影抑制方面的显著改善,凸显了基于DL的重建在诊断放射学中的广泛技术相关性 [12, 13]。Ikebe等人证明,使用双类型基于DL的重建结合单次激发采集,可在仅7秒内实现超快速全脑T2加权成像,突出了将快速成像与高诊断质量相结合的可行性 [14]。然而,大多数研究是在良好控制条件下的成人人群中进行的,儿童成像方面的证据仍然有限 [15]。鉴于减少镇静、最小化运动伪影以及在需要频繁神经影像学检查的慢性或肿瘤性疾病儿童中保持诊断准确性的临床重要性,儿童数据的缺乏代表了一个关键空白。填补这一空白不仅对于确立基于DL的重建在常规儿科放射学中的临床效用和可靠性至关重要,而且对于评估这一新兴技术的物理和算法极限也至关重要。
基于这些观察,我们设计了一项前瞻性研究以解决儿科神经影像学中这一未满足的需求。本研究旨在评估一种新型基于DL的重建框架,用于儿童队列中的T2加权单次激发脑部MRI,该框架将CS加速与卷积神经网络(CNN)相结合,在不增加采集时间的情况下进行去噪和分辨率增强。我们假设该方法与常规基于CS的重建相比,将改善图像锐度、对比度和整体诊断质量,从而证明DL增强的单次激发成像在实现超快速、抗运动且无需镇静的儿童脑部MRI方面的潜力 [16, 17]。
材料与方法
研究人群
这项前瞻性研究经波恩大学医院机构审查委员会批准(ClinicalTrials.gov 标识符 NCT05820113),纳入 62 例接受临床指征脑 MRI 的儿科患者(年龄均值 ± 标准差(SD),7.4 ± 4.9 岁;年龄范围 0 至 < 18 岁,男 36 例,女 26 例)。适应证包括癫痫和运动障碍、肿瘤性或血管性病变、视觉和听觉障碍、先天性疾病和解剖异常、颅内压增高、既往早产儿(尤其是伴有脑室内出血并伴或不伴脑积水发生者),以及其他脑积水患者和用于排除颅内病变的 MRI 检查,例如不明原因头痛、疑似偏头痛,或作为干细胞移植前评估的一部分。参与者于 2024 年 10 月至 12 月期间招募。所有患者的法定监护人在参与研究前均签署书面知情同意书。29 例患者在 MRI 检查期间接受镇静(年龄均值 ± SD,3.1 ± 2.2 岁,年龄范围 0–10 岁),33 例患者在 MRI 检查期间保持清醒(年龄均值 ± SD,11.1 ± 3.3 岁,年龄范围 5 至 < 18 岁)。
数据采集
所有扫描均在 3.0-T 扫描仪(Ingenia 3.0-T ElitionX,Philips Healthcare)上进行,使用 32 通道头线圈(33 次扫描,层厚 3 mm)或 16 通道头线圈(29 次扫描,层厚 4 mm)。制定患者特异性 MRI 方案以解决临床问题。此外,出于研究目的,在横断面(58 次扫描)、冠状面(53 次扫描)和矢状面(60 次扫描)采集了 CS 加速 T2 加权单次激发序列(T2-SSHconv 序列)。这些序列的原始数据使用厂商提供的原型 DL 重建框架进行重建,该框架将 CS 与两个不同的 CNN 相结合并整合,以生成去噪和上采样的图像(T2-SSHDL 序列)。该算法(NGSA patch,SmartSpeed Precise,Philips Healthcare)在扫描仪上运行,包括用于非均匀随机欠采样稀疏约束重建的 Adaptive-CS 网络 [18],以及用于去除振铃伪影和提高图像分辨率的 SuperRes 网络。有关 DL 实现的更详细描述,我们参考 Bisschoff 等 [12] 的补充材料。成像参数列于表 1。
本研究使用的基于 DL 的重建框架是厂商开发的混合方法,将压缩感知与两个序贯卷积神经网络相结合,如前由 Bischoff 等 [12] 详细描述。简言之,重建流程包括一个 Adaptive-CS 网络,用于从欠采样 k 空间数据进行稀疏约束重建,随后是一个专用的超分辨率网络,旨在抑制振铃伪影并增强空间分辨率。完整网络架构和重建工作流程的示意图见 Bischoff 等 [12],包括各个处理步骤的图形描绘。
定量图像分析
在定量分析中,将等大的感兴趣区(ROI)在T2-SSHconv-和T2-SSHDL-序列的相同位置一致地置于额叶皮质(GM)、额叶白质(WM)和乳突气房(MC),如图1所示。根据这些ROI的图像强度分布(均值 ± 标准差),计算表观对比噪声比(aCNR = (均值(GM) − 均值(WM)) / 标准差(MC))和表观信噪比(aSNR = 均值(WM) / 标准差(MC))。此外,边缘上升距离(ERD)作为图像锐度的衡量指标被测定,其来源于一条横跨侧脑室前角和尾状核头(在横断面和冠状面)或横跨脑干和第四脑室(在矢状面)所画线的信号强度轮廓,如图2所示。ERD计算为相对于低信号强度区和高信号强度区的10%与90%信号强度水平之间的距离,在图中用垂直线表示。ERD越低表示对突变信号改变的 delineation 越锐利 [12]。
定性图像分析
对于定性评估,所有图像由两名分别具有4年(评估者1)和9年(评估者2)经验的放射科医师进行分析,他们独立地对T2-SSHconv-和T2-SSHDL-序列进行定性评分,采用五点Likert量表从1(无法诊断)到5(优秀),评分类别包括伪影、图像锐度、病灶显着性和整体图像质量。此外,两名放射科医师使用上述五点Likert量表,对T2-SSHDL-序列与高分辨率T2加权序列在伪影和病灶显着性类别方面进行比较。五点Likert项目根据表2所列不同类别进行定义。为评估评估者内信度,两名放射科医师在初次评分后至少14周第二次重复评分。
统计分析
统计分析在MATLAB(The MathWorks Inc. (2021), MATLAB Version: 9.11.0 (R2021b))中进行,对T2-SSHconv-和T2-SSHDL-序列之间的配对连续变量(包括aCNR、aSNR和ERD)使用配对样本t检验。
有序Likert量表的定性评分使用Wilcoxon符号秩检验进行比较,用于T2-SSHconv-与T2-SSHDL-以及T2-SSHDL-与高分辨率T2加权序列之间的配对比较。镇静与非镇静患者独立样本的组间比较使用Wilcoxon秩和检验进行。
采用带二次加权的Cohen's Kappa评估定性图像评估的评估者间和评估者内信度,取值范围为−1至+1,其中0表示机遇一致性,1表示完全一致。根据Cohen标准,值≤0表示不一致,0.01–0.20为轻微一致,0.21–0.40为一般一致,0.41–0.60为中等一致,0.61–0.80为高度一致,0.81–1.00为几乎完全一致[19]。p值<0.05被认为具有显著性。定量评估的连续变量以均值±标准差表示,定性评估的离散变量以中位数及四分位距(IQR)表示。尽管各序列间伴有四分位距的中位数伪影评分可能看起来相同,但统计学显著性反映的是通过Wilcoxon符号秩检验评估的配对、受试者内差异,而非仅汇总统计量的差异。
结果
定量评估
T2-SSHDL序列的平均aCNR和aSNR显著高于T2-SSHconv序列(aCNR 29.9±22.6 vs. 26.7±16.5;p<0.001;aSNR 41.6±27.9 vs. 38.2±20.8;p=0.003)。与T2-SSHconv序列相比,T2-SSHDL序列显示出改善的图像锐度(ERD 0.90±0.35 mm vs. 1.35±0.42 mm,p<0.001)。图3总结了所有定量结果。
定性评估
评估者间一致性为高度一致,T2-SSHconv序列与T2-SSHDL序列比较的Cohen's κ为0.71(95%CI:0.60–0.82),T2-SSHDL序列与高分辨率T2加权序列比较的Cohen's κ为0.73(95%CI:0.53–0.93)。评估者内信度为极好,T2-SSHconv序列与T2-SSHDL序列比较的Cohen's κ分别为0.97(95%CI:0.93–1.00,评估者1)和1.00(95%CI:0.99–1.00,评估者2),T2-SSHDL序列与高分辨率T2加权序列比较的Cohen's κ分别为0.89(95%CI:0.75–1.00,评估者1)和0.69(95%CI:0.47–0.91,评估者2)。表3和图4a、b提供了两位放射科医师进行的定性评分结果,以及表明序列间差异显著性的p值。
与T2-SSHconv序列相比,T2-SSHDL序列显著提高了整体图像质量,并显示出更好的图像锐度。62例患者中有33例存在病变,包括胶质瘤、星形细胞瘤、颅咽管瘤或伴多层菊形团的胚胎性肿瘤等肿瘤;松果体囊肿、Rathke裂囊肿、脉络裂囊肿或非典型Virchow间隙等囊性病变;作为1型神经纤维瘤病中枢神经系统表现的信号强度局灶区域(FASI);皮层下带状灰质异位;治疗后改变;以及脑室腹腔分流管置入。总体而言,与T2-SSHconv序列相比,T2-SSHDL序列中病变的显著性明显更高,图5中的代表性病例对此进行了说明。T2-SSHDL序列与高分辨率T2加权序列的比较显示,在未镇静的患者中,T2-SSHDL序列产生的运动伪影更少,病变显著性相当;因此,未遗漏任何病变。在镇静患者中,由于运动被最小化,高分辨率T2加权序列获得了更优的图像质量和病变显著性。伪影分析显示,高分辨率T2加权序列在镇静与未镇静患者之间存在显著差异,而T2-SSHDL序列则无差异,表明其运动敏感性降低。当高分辨率T2加权序列中存在强烈的运动相关伪影时,T2-SSHDL序列提供了显著优势,如图6所示。
对于T2-SSHDL序列与高分辨率T2加权序列之间的比较,仅选择了伪影(定义为图像伪影的存在和严重程度,包括运动相关伪影、模糊、鬼影和振铃)和病变显著性两个类别进行评估。鉴于这些序列类型的成像特征根本不同,直接比较整体图像质量或图像锐度是不合适的。虽然高分辨率T2加权序列本身提供更高的空间分辨率,但单次激发序列具有其他优势,如运动鲁棒性和显著更短的采集时间。因此,此比较主要旨在评估单次激发技术减少运动相关伪影的有效性以及描绘病变的能力,例如在随访成像中。
讨论
本研究表明,基于深度学习的重建能够有效克服加速MRI的基本权衡,在不延长采集时间的情况下改善客观和主观图像质量。与传统CS重建的单次激发序列(T2-SSHconv)相比,所提出的DL重建单次激发序列(T2-SSHDL)实现了显著更高的aSNR和aCNR以及更低的ERD,反映出对比度增强、噪声降低和空间保真度改善。然而,尽管aSNR和aCNR在统计学上显著升高,这些参数仍表现出相当大的个体间变异,可能反映了采集和患者相关因素,如线圈配置、镇静状态和层厚。因此,图像锐度的改善是DL重建获益更稳健且更具临床相关性的指标。定性评分证实了这些定量发现,图像锐度、病灶可见度和总体诊断质量评分显著更高。与标准高分辨率T2加权序列相比,T2-SSHDL序列在未镇静儿童中提供了相当的病灶可见度和更少的运动伪影。重要的是,标准T2加权序列上可见的病灶在T2-SSHDL序列上均未被遗漏,表明尽管采集时间大幅缩短,诊断安全性仍得以保持。这些改善在不同方向上一致,且与患者年龄或临床指征无关,突显了DL增强重建在真实儿科环境中的稳健性[20]。同样,Ikebe等人在成人中证实,双型DL重建能够在7 s内实现超快速全脑T2加权成像,同时保持诊断图像质量,支持了DL加速在不同患者人群和成像方案中的可推广性[14]。
需要强调的是,所提出方法的运动稳健性和无镇静成像的可行性主要由单次激发采集本身决定。深度学习在此背景下的作用是间接的:基于DL的重建并不显式执行运动校正或运动相关伪影抑制,而是减轻单次激发成像固有的图像质量限制,如噪声放大、信号衰减相关模糊和空间分辨率降低。通过在超短采集时间内改善去噪和空间保真度,DL重建增强了本身具有运动稳健性的单次激发图像的诊断可用性,尤其是在未镇静的儿科患者中。
这些结果与既往报道一致,表明基于深度学习的重建能够通过恢复空间细节和对比度、同时保持较短采集时间来缓解快速MRI固有的权衡[21]。基于深度学习的重建已在成人脑、前列腺、肌肉骨骼系统和心脏等多个身体区域的MRI中得到验证,在高加速因子下表现出更优的锐利度、更少的伪影和更高的诊断信心[22–26]。儿童MRI对稳健性和泛化性提出了更严格的基准,因为较低的SNR、更小的解剖结构和频繁的不自主运动构成了苛刻的成像条件。深度学习增强的单次激发成像即使在未镇静儿童中也能保持病灶可见性和诊断信心,在运动情况下优于传统高分辨率T2成像。这证实了在运动伪影 otherwise 掩盖病变的情况下,运动稳健的单次激发采集仍可保持诊断可靠性[27, 28]。
在方法学上,将基于深度学习的超分辨率整合到CS流程中,解决了单次激发快速自旋回波成像的固有局限性,即长回波链上的信号衰减和模糊[29, 30],而不改变采集时间或硬件。这种混合方法保持了单次激发采集固有的运动稳健性,同时显著改善了空间细节和对比度。在心脏电影成像[31]和肌肉骨骼MRI[32]中,不同场强下深度学习增强加速已显示出可比结果,证实了该重建概念的广泛技术相关性。
临床意义是技术创新的逻辑结果。即使在未镇静儿童中诊断质量也得以保持,表明运动稳健的深度学习增强序列可以减少或消除镇静需求,这是儿童MRI中的主要临床和后勤挑战[33, 34]。通过在数秒内生成高质量、运动稳健的图像,深度学习增强单次激发成像可作为超快速、无镇静儿童脑部方案的基石。这对于随访和分流监测检查尤其有价值,因为需要快速而可靠的评估。单次激发MRI在脑积水和其他急性疾病中的既定效用提供了坚实的临床基础[35–37]。基于深度学习的重建通过缓解空间分辨率和信号衰减的固有约束,将该框架扩展到狭窄适应证之外。由此带来的工作流程效率和诊断可靠性的改善预计将提高扫描仪吞吐量并减少重复成像,强调了负责任、协作性临床实施的重要性[38, 39]。
虽然病灶检测被证明可靠,但病灶表征在高分辨率T2成像上仍更优,特别是对于评估内部囊性或细微结构成分。因此,T2-SSHDL序列应被视为补充工具,而非标准T2加权序列的替代。其稳健性支持一致的纵向成像,并可能减少镇静检查的频率,从而改善跨时间点的可比性并提高患者安全性。
局限性包括使用特定厂商的重建软件,这可能限制跨平台的可重复性,以及缺乏针对特定病变的诊断性能分析。重要的是,基于深度学习(DL)的重建并未显式建模或校正患者运动,因此其对运动鲁棒性的贡献应被理解为间接的。尽管图像质量已通过定量和专家共识进行评估,未来工作应评估特定病变的诊断准确性。DL模型的训练数据也可能影响性能,正如先前在运动校正心脏重建和DL增强肌肉骨骼MRI中观察到的那样[23, 32]。
在常规临床实施之前,需要在不同场强、厂商和年龄组中进行前瞻性多中心验证。
结论
本研究表明,基于DL的重建框架可以在保持短采集时间的同时显著提高图像锐度、对比度和诊断信心。通过将DL驱动的超分辨率整合到压缩感知(CS)流程中,所提出的方法有效克服了长期以来限制加速MRI的速度、噪声和空间分辨率之间的内在权衡。在易发生运动的儿科人群中得到验证,该重建策略在真实世界的低信噪比(SNR)条件下提高了本身具有运动鲁棒性的单次激发采集的诊断可用性,即使在非镇静检查中也能保持病变显著性和诊断可靠性。因此,超快速采集与DL增强重建的结合为高质量、临床可靠且可能无需镇静的儿科MRI提供了坚实的技术基础。除儿科应用外,这些发现强调了AI驱动的图像重建通过将算法创新转化为切实的诊断和工作流程收益来改变临床MRI的更广泛潜力。
引用
- Baz AM, Bendella Z, Katemann C, et al. Deep learning improves image quality in motion-robust and sedation-free pediatric brain MRI. Eur Radiol. 2026. PMID: 41925834. doi:10.1007/s00330-026-12482-y
- 全文:PMC13341893(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13341893/
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。