心脏电影MRI的重建技术
本文综述心脏电影MRI动态图像重建的最先进技术,概述其临床价值、主要挑战与未来趋势。心脏电影MRI是评价心脏功能的标准影像方法,文章聚焦快速采集与重建方法,包括实时电影成像的特殊需求。
要点
- 心脏电影MRI是评价心脏功能的标准影像方法。
- 心脏电影MRI的主要挑战是心脏搏动和呼吸运动导致的图像退化。
- 实时电影成像对快速重建有极高要求,是本文重点关注方向。
核心结论
- 本文旨在概述心脏电影MRI领域的最先进重建技术,并指出其临床价值、主要挑战与未来趋势。
- 心脏电影MRI被视为评价心脏功能的标准方法,快速采集与重建是该领域的研究热点。
研究设计与样本
- 本文为综述,描述心脏电影MRI动态图像重建的最先进技术及该成像模式的临床价值、主要挑战与未来趋势。
- 文章聚焦电影心脏MRI的快速采集与重建方法,并特别提及实时电影成像对快速重建的极高要求。
局限性
- 原文未报告局限性
全文中译19 节 · 点击展开
要点
心血管疾病仍是全球死亡、发病和残疾的首位原因。
电影磁共振成像(cine MRI)是评估心脏功能的标准影像 modality。
心脏磁共振成像是具有持续增长前景的热点话题。
动态心脏磁共振成像最新重建技术综述。
引言
磁共振成像(MRI)不可否认地带来了医学领域的一场革命 [1]。MRI 既是心血管医学影像中成熟的应用领域,也是不断发展的领域 [2]。心脏疾病的诊断需要对心脏功能和形态进行准确评估 [3]。心脏磁共振成像(CMRI)满足了这些要求。多项特征使 CMRI 成为心脏病学实践的参考标准。其优势包括多功能性、高可重复性和准确性,这些是任何其他单一成像 modality 无法比拟的 [4]。CMRI 完全无创,且不使用电离辐射。此外,它提供高空间分辨率、宽视野和良好的软组织对比度 [5, 6]。此外,CMRI 可在单次检查中为患者提供完整的心血管评估。图 1 展示了临床实践中常用于显示心脏解剖结构的标准心脏 MRI 平面。
然而,尽管具有上述优势,CMRI 仍不是一线检查 [1, 2]。它通常在超声心动图、放射性核素显像、心血管造影或心胸 CT 等其他检查后仍有未解答问题时才被采用 [6]。这是由于 MRI 技术费用高昂、普及程度不足、缺乏受过培训的人员、临床医生不熟悉以及患者依从性等问题。需要注意的是,CMRI 并非对所有患者都是最合适的检查。例如,幽闭恐惧症、不配合以及儿科患者会妨碍 CMRI 检查。在许多情况下,需要使用某种镇静剂。此外,某些金属植入物和外来设备引起的伪影可能降低 MRI 质量 [4]。特别是,MRI 对携带某些动脉瘤夹、人工耳蜗、心脏起搏器和心脏复律除颤器设备的患者是禁忌的 [4, 6]。然而,CMRI 对携带人工心脏瓣膜或冠状动脉支架的患者是完全安全的。
上述积极因素,加上心血管疾病(CVDs)在全球的高患病率 [8],使 CMRI 成为医学和技术研究领域的热点话题,并具有持续增长的前景。考虑到这一点,本文的目标是评述 CMRI 的关键方面、主要挑战和未来趋势。更具体地说,我们聚焦于电影 CMRI,特别关注快速采集和重建流程。在此意义上,实时电影成像因其对极快速重建的特殊要求而值得特别提及。通过本文,作者旨在为读者提供电影 CMRI 领域最新技术的总体概览。
CMRI 模态
CMRI有多种具有特定特性和应用的模式。CMRI用于评估多种心脏疾病:先天性心脏病、心肌病、心肌疾病、心脏肿块和肿瘤、血管疾病以及瓣膜和心包心脏疾病等。下文简要介绍心脏病学中使用的MRI模式。有关特定临床适应证的详细描述,见参考文献[1, 9]。
需要动态图像序列(电影)来获取整个心动周期中心脏功能的完整信息[2]。事实上,电影成像是CMRI中最常用的技术,被认为是评估心脏功能的金标准[1]。电影CMRI尤其适用于通过测量每搏输出量、射血分数、舒张末期和收缩末期容积以及质量等参数来量化整体和区域左、右心室功能[1, 3, 5]。
冠状动脉MR血管成像(MRA)是一种有前景的检测冠状动脉疾病(CAD)的成像技术。MRA可评估动脉血管的解剖结构和狭窄程度,并显示对钙化斑块不敏感。首过心脏MR灌注成像对于CAD的早期诊断也有效。灌注成像可利用对比剂监测通过心肌的血流循环。因此,它提供了关于心肌组织健康的有价值信息[10]。
相位对比(PC)序列是特殊序列,能够准确评估心血管系统任何部位的血液流动,例如跨心脏瓣膜或心脏分流处[11]。
带有磁化标记的CMRI可用于评估心脏各个部分的机械功能[12],例如对心肌内收缩功能的定量评估。
组织表征的独特能力是CMRI的一个重要特征。通过晚期钆增强(LGE)CMRI,可以表征心肌瘢痕和炎症。这对于评估心肌梗死或非缺血性心肌病的预后有用[11]。T1和T2映射也提供可靠的组织表征。T1映射是一种稳健且高度可重复的指标,可提供反映重要心肌特性的有意义的测量[13]。另一方面,T2映射技术能够准确可靠地检测心肌水肿区域。在近期起病的心力衰竭和左心室功能减低的患者中,它被认为比其他模式更有益[13]。
电影CMRI中的挑战
动态心脏磁共振成像(CMRI)是一种技术上具有挑战性的成像模态。该研究领域的主要目标之一是提高采集过程的效率。因此,挑战在于在不影响高分辨率和图像质量要求的前提下加速本质上缓慢的数据采集。由于其缓慢性的直接后果,MRI传统上在运动器官成像方面表现出显著局限性[1]。事实上,MRI扫描过程中的运动是图像退化的主要来源。任何运动,即使是在小位移的情况下,由于k空间数据的改变,都会在重建图像中产生特征性伪影。这些不良效应包括图像模糊、鬼影和配准错误[14]。这一方面在电影CMRI中尤为棘手,其中心脏搏动和患者呼吸引起的运动处理仍是主要挑战之一。此外,还应考虑其他运动来源,例如患者在扫描仪上因自主或非自主重新定位而产生的整体运动。因此,可以认为心脏的整体运动由三个部分组成:心脏泵血、呼吸以及因扫描期间不适导致的任何患者移动。
呼吸运动
呼吸是CMRI中运动的主要来源,因此也是图像退化的主要来源[15]。膈肌和肋间肌的收缩与舒张使心脏在整个呼吸周期中发生刚性运动。心脏运动与膈肌上下位移之间的关系近似线性,尽管存在较高的个体内和个体间变异性[14, 15]。为简便起见,呼吸通常被视为周期性过程。然而,众所周知,由于肺滞后现象,吸气相和呼气相中呼吸诱导的心脏运动不同。通常,运动的最大分量在吸气期间朝下方向[14]。如下文“面对挑战”部分所讨论的,在CMRI中处理呼吸运动的一种简单解决方案是应用屏气(BH)采集协议。需要注意的是,这些常规操作也会影响心脏动力学,导致心率变化,心率在屏气末期趋于升高。
心脏运动
如上所述,心脏自身活动诱导的运动是CMRI中图像质量恶化的另一原因。心脏泵血腔室在整个心动周期中的运动非常复杂[15]。更具体地说,左心室在收缩期中的运动主要包括纵向缩短、径向收缩以及心尖和心底水平的反向旋转[14]。在当前CMRI临床协议中,k空间数据通常沿不同心动周期采集。因此,需要与心脏诱导的运动进行同步。心电图(ECG)信号通常用于此目的。通常假设心脏运动是周期性的。然而,这一假设是过度简化,因为许多因素影响心率,且不同心搏之间运动不同。在此意义上,值得提及的是,不规则心律(即心律失常)妨碍同步数据采集,并导致图像质量差或扫描不完整[1, 4, 6]。
面对挑战
首先,我们考虑心脏活动引起的运动情况。通常,心脏周期被分割成短帧,以最小化每个心动相位内运动的影响。心电图(ECG)信号通常以可靠的方式用于数据同步目的。这被称为心电门控,可以前瞻性或回顾性进行。在前瞻性心脏门控中,数据在多个心脏周期内采集,利用ECG的R波触发采集。在每个R-R间期内重复采集覆盖心脏周期80%至90%的一组k空间投影,直到采集到足够的k空间样本[16]。这样做是为了应对心率的变化。前瞻性ECG门控的主要缺点在于心脏周期的一部分(10–20%)未包含在采集窗口内。另一方面,在回顾性心脏门控中,k空间数据以连续方式采集并打上时间戳,以便事后与ECG信号同步。关于ECG信号,可以在扫描期间监测和记录,或从采集的MR数据中估计。在后一种情况下,该过程被称为心脏自门控[17–19]。如上所述,心律不齐的患者可能因难以实现适当的心脏门控而出现图像质量下降[6]。因此,一些重建方法包含处理心律失常的方案。例如,Chitiboi等人在五维图像空间中同时重建不同的心律失常周期[20],其中心律不齐周期的分类构成一个额外维度。然而,最简单的解决方案是丢弃非典型心脏周期[21],这种做法因数据被拒绝而降低了MRI方案的效率。
处理呼吸运动的简单解决方案是屏气(BH)程序或基于导航器的采集。屏气需要患者配合,在连续BH之间复制相同位置,以避免图像中的错位和伪影。即使BH可重复性足够,膈肌在长时间屏气结束时也可能发生显著漂移。MRI技术和采集序列的改进使得能够在单次BH内完成CMRI研究,尽管图像的SNR和时空分辨率可能受到影响。因此,采集通常沿多次BH进行。此外,BH程序受到不合作患者的严重阻碍,无论是儿童还是有呼吸暂停困难的病理患者。替代方案是使用带压力传感器的胸带进行呼吸监测,或如[22]中采集导航器脉冲。BH和基于导航器的程序都会影响扫描效率。因此,自由呼吸(FB)采集程序,结合回顾性呼吸门控和运动估计与补偿(ME-MC)方法,具有很大的吸引力。如同心脏门控的情况,呼吸运动可以从采集的MR数据中提取,即呼吸自门控[21, 23–25]。
避免传统屏气方法问题的另一种选择是实时电影心脏磁共振成像(CMRI)。然而,常用的实时序列会导致图像质量下降。通常,空间和时间分辨率会受到影响,信噪比(SNR)较低,因为采集必须在100 ms或更短的时间间隔内进行以避免扫描内运动。由于其巨大的临床获益,许多已报道的研究试图克服自由呼吸(FB)实时技术的这些缺点。
心脏和呼吸自门控方法
在已提出的心脏自门控方法中,Crowe等人提出了一种自门控直线TrueFISP电影序列[18]。回顾性门控的TrueFISP序列经过修改,在读出和相位梯度重绕后采集一个短的第二回波。然后从该第二回波中导出导航信号。Kramer等人将黄金比例径向采集与由以固定间隔采集的一维导航器提供的回顾性心脏门控相结合[19]。同时,Larson等人提出了三种利用径向采样直接从MR数据中提取心脏信号的策略:回波峰值幅度、心动图(kymogram)和二维相关[17]。
Larson等人还提出了一种基于径向采样的呼吸自门控策略[26]。在这种情况下,交错径向k空间采样在自由呼吸采集期间实时提供低分辨率图像。将这些图像与目标呼气图像进行比较,只有产生与目标图像高度相关的图像的原始数据才被纳入最终的高分辨率重建。Uribe等人利用反复采集的中心k空间轮廓导出呼吸运动,并调整采集方案以重新采集受运动污染的数据[23]。Peters等人[22]提出使用两个导航器(NAV),一个放置在QRS波之前,另一个放置在QRS波群后500 ms(即收缩期后)。在[24]中,Piccini等人提出了一种基于三维螺旋叶序采样的呼吸自门控方法,在每个交错采集开始时采集头足(SI)方向投影。通过分割程序从这些SI投影的一维FFT中检测血池,并使用互相关计算其运动。在[25, 27]中提出了另一种方法,Usman等人引入流形学习来直接从欠采样径向MR数据中估计呼吸信号。
除上述方法外,还有同时估计心脏和呼吸信号的方案。在[28]中,Liu等人使用多回波混合径向采样,沿层面编码方向对k空间中心进行笛卡尔映射。这种采样方案提供强度加权的位置信息,从中导出呼吸和心脏运动。Pang等人[21]提出通过在采集期间以规则间隔插入SI读出 simultaneously 进行心脏和呼吸自门控。通过SI投影的一维FFT的PCA来估计信号。
加速CMRI
快速采集
为实现CMRI更快成像,已开展了大量工作。如上所述,目标是在保持良好图像质量的同时实现高成像速度。在此意义上,超快成像指的是将扫描时间中较高比例用于数据采集的高效扫描技术[29]。改善患者舒适度是快速采集最重要的获益。此外,较短扫描期间的运动影响被最小化。因此,可能使扫描过程更加有效和全面。
并行成像(PI)可用于改善采集时间[30, 31]。可纳入关于线圈敏感性的信息以增强结果。此外,使用高效k空间采样策略已被广泛研究,以减少采集时间并生成高SNR图像。有用的轨迹包括回波平面成像(EPI)[32]以及多种非笛卡尔采样模式,如黄金角径向方案[33]、星堆(SoS)[34]或螺旋叶序[35]。这些在k空间中心采样更密集的非笛卡尔轨迹已显示出对自门控方法的某些优势,以及对运动伪影的鲁棒性。然而,需要网格化程序将非笛卡尔数据插值到矩形网格上,以便在重建过程中后续应用FFT。该步骤大幅增加重建时间[36]。为克服这一缺点,最近提出了不同的伪径向轨迹,如VDRad[37]、G-CASPR[38]、CASPR-Tiger[39]和ROCK[40]等。这些轨迹沿笛卡尔网格上的类径向投影采集数据,具有计算复杂度低的优势[39]。图2展示了上述一些3D径向采样方案。
压缩感知(CS)[41]也被应用于MRI以加速采集过程[42]。这些加速方法基于k空间数据的不相干欠采样。然后,通过无约束非线性优化问题来表述重建过程。至于采样模式,CS方法对于在k空间中心区域样本密度更高的轨迹已显示出更好的结果[43]。
低秩方法是CS的替代方案。低秩矩阵补全将CS的思想扩展到矩阵,能够在低秩和不相关条件下恢复缺失或损坏的条目[44]。因此,稀疏图像可由低秩矩阵表示,欠采样成为可能。
快速重建
不仅缩短扫描时间很重要,缩短重建时间也很重要[45]。具体而言,快速重建在实时CMRI中至关重要。线圈阵列压缩对于降低重建的计算成本至关重要[46–48]。专用计算设备,特别是图形处理单元(GPU),可显著提升效率,从而提高重建速度[49, 50]。此外,已有多个框架和库提供高效且专门的重建软件包,例如Gadgetron[51]、伯克利高级重建工具箱(BART)[52]以及最近提出的OpenCLIPER[53]。该领域另一个因其高潜力和泛化能力而值得考虑的学科是机器学习,更具体地说是深度学习(DL)。近期一些研究表明,使用DL方法取得了有前景的成果[54–58]。关于基于DL的重建方法的更多细节包含在“深度学习及 beyond”一节中。
分类与重建技术
多层2D电影CMRI
下文包含对2D电影CMRI中提出的最相关重建技术的综述。
多BH方法
电影CMRI重建中的经典方法试图通过减少采集数据量来提高数据采集速度。在[59]中,提出了两种用于加速动态CMRI重建的基于模型的方法,即分别用于单线圈或多接收线圈的k-t BLAST(广泛使用线性采集加速技术)和k-t SENSE(敏感度编码)。利用k空间和时间域中的数据相关性来恢复未采集的数据。同样,将GRAPPA与滑动窗口技术相结合的思想应用于k-t GRAPPA[60],以在k-t空间中插值缺失数据,在这种情况下,不需要采集训练数据和计算敏感度图。
Lustig等人[61]提出了k-t SPARSE,这是一种基于CS的方法,利用动态CMRI序列的空间和时间稀疏性,从而实现7倍的帧率加速。具体而言,空间维度和时间维度分别使用小波变换和傅里叶变换。在基于CS的技术中,k-t FOCUSS[62, 91]提出了一种ME-MC方法,该方法基于使用高质量参考帧以及对每一帧独立应用的块匹配算法。时间离散傅里叶变换用于实现心脏图像中时间变化的稀疏表示。相比之下,运动自适应时空正则化方法(MASTeR)[67]不需要参考帧。空间稀疏性通过小波变换建模,而运动自适应变换用于建模图像中的时间稀疏性。相邻帧之间的运动从初始重建中沿前向和后向方向估计。
[78]中提出了一种替代这些成对方法的ME方法,其中Royuela-del-Val等人提出了一种更稳健的组间(GW)方法。具体而言,提出了一种基于B样条变形模型的非刚性GW配准方法。因此,整个序列一次性配准以补偿心脏自然引起的运动。从初始重建出发,组间CS(GW-CS)方法以迭代方式获得精细重建图像和估计的运动信息。该方法随后通过引入新的稀疏正则化项——雅可比加权时间全变差(JW-tTV)[82]而得到改进。
[73]中提出了一种不同的基于CS的重建方法。在该方案中,Wang等人引入了字典学习(DicL)方法。Mohsin等人[83]提出了一种斑块平滑正则化方法(PRICE),用于隐式帧间MC,无需参考帧或复杂运动模型。
与依赖傅里叶空间稀疏性的方案不同,Lingala等人提出了k-t SLR方法[65],其中使用Karhunen-Louve变换(KLT)域中数据的紧凑表示来利用数据集中的相关性。该问题被表述为谱正则化矩阵恢复问题。
在低秩方法组中,[63]中提出了k-t PCA方法,其中Pedersen等人提出通过使用主成分分析(PCA)约束重建来推广k-t BLAST/SENSE。Christodoulou等人[64]提出使用解剖学约束来改善SNR并减少部分可分函数(PSF)重建中的伪影。[76]中引入了模型一致性条件(MOCCO)技术。低秩时间信号模型从训练数据中预先估计并用于重建过程。
其他方案基于低秩矩阵补全与压缩感知(CS)理论的结合。在这些方法中,作者将动态成像分解为低秩(L)分量和稀疏(S)分量(L+S分解),也称为鲁棒主成分分析(RPCA)。重建被表述为一个优化问题,最小化包含数据保真项和不同正则化项的代价函数。Otazo等人[44]提出了一种多线圈L+S重建,其中L分量对时间相关的背景建模,S分量对器官运动建模。在优化问题中,核范数和l1范数分别被用作秩函数和l0范数的凸替代函数。在[72]中,提出了k-t RPCA方法,该方法使用傅里叶变换作为时间方向的稀疏化变换,并使用交替方向乘子法(ADMM)框架求解最小化问题。另一个方案是[84],其中凸优化问题通过基于非精确增广拉格朗日乘子法(IALM)的可扩展快速算法求解。在[85]中,Xu等人引入了一种交替方向法(NADM)用于非凸RPCA低秩矩阵近似。Roohi等人[86]提出了更高维的L+S张量重建问题,也使用ADMM求解优化问题。最近,Tolouee等人[89]提出了一种L+S分解与配准算法相结合的ME方法,使用无呼吸运动的参考数据集。该参考数据来源于测量数据本身。
单次屏气方法
[74]中提出了一种基于CS的方法,在单次屏气(BH)中获取心脏的四个短轴(SA)和三个长轴(LA)视图。使用笛卡尔采集模式,这限制了时空分辨率并在相位编码方向产生混叠问题。时间分辨率决定采集过程,必须在扫描前设定。
Royuela-del Val等人[75]提出了基于GW-CS的kt-WiSE方法,采用黄金径向采集模式。在一项后续研究[87]中,作者将其先前提出的JW-tTV方法 adapted 用于黄金径向k空间轨迹,以应用于全心单次屏气电影CMRI。
在[79]中,局部低秩(LLR)框架与时间有限差分(FD)和PI相结合。使用黄金角径向采样在单次屏气中采集多个2D层面。然而,重建结果显示时空模糊。作者将此效应归因于涡流引起的图像伪影。
自由呼吸方法
在[69]中,一种广义运动校正公式被直接纳入二维呼吸自门控自由呼吸电影心脏磁共振成像(FB cine CMRI)的压缩感知(CS)重建中。采集的自由呼吸黄金径向k空间轮廓被分箱到不同的运动状态,使得每个预定义状态内的呼吸运动不显著,从而在重建图像中不产生伪影。对每个运动状态分别执行运动补偿压缩感知(MC-CS)重建。该方法的扩展版本在[92]中提出,其中Usman等人将先前提出的MC-CS框架与并行成像相结合以实现进一步加速。在同一研究组的另一项贡献[93]中,他们引入一种流形学习方法,从采集数据本身估计心脏和呼吸导航信号,从而实现回顾性自门控电影重建。
XD-GRASP框架[80]也被应用于二维自由呼吸电影心脏磁共振成像。它基于按照黄金角采样模式连续采集k空间数据。该方法不应用某种运动校正,而是将动态数据回顾性分选到额外的心肺运动状态中。所得多维数据集通过压缩感知方法重建,其中沿心脏和呼吸维度的稀疏性被同时施加。
在实时电影CMRI技术中,文献[94]提出了一种用于提高信噪比的去噪算法。Hansen等人[66]提出了一种从实时采集到电影CMRI的通用重建框架,其数据在自由呼吸(FB)期间跨越多个心动周期采集。所提出的重建方法基于时间多分辨率方案,并将并行成像(PI)与基于非刚性配准的运动校正(MC)策略相结合。在后继研究[70]中,同一作者尝试通过采用非线性重建步骤进一步缩短所需采集时间。Feng等人提出将基于k-t SPARSE与敏感度编码相结合的k-t SPARSE-SENSE方法[68]应用于实时CMRI。同时,Schmidt等人[71]提出一种基于压缩感知(CS)的k-t正则化重建方法,用于高度加速的实时电影CMRI,作为提供高时空分辨率的潜在替代方案。Poddar等人[77]介绍了一种称为SToRM(流形上的平滑正则化)的实时采集与重建方法。在这种情况下,图像帧被建模为光滑低维非线性流形上的点。整个动态数据集通过流形平滑正则化重建问题来恢复。Chen等人在文献[81]中提出了一种用于在线重建的并行方案,其中第一帧用于指导所有后续重建以利用时间冗余。引入了动态全变分(dTV)以利用空间和时间域中的稀疏性。使用加速重加权最小二乘算法来求解重建。在文献[88]中,Wang等人提出将并行字典学习(DicL)与dTV相结合(PDLDTV)用于实时动态CMRI重建,并使用原始-对偶算法来实现所需的高重建速度。最近,Li等人在文献[90]中提出了一种采用k空间变体缩减视野(reduced-FOV)重建的径向采集方法。引入了一种相关成像框架,将PI重建转化为相关函数的估计。笛卡尔数据以k空间变体方式从其相邻径向采样的线性组合直接计算得出。
表1概述了上述方法,以结束“多层2D电影CMRI”一节。
3D电影CMRI
接下来,介绍3D电影MRI的重建技术综述。
单次屏气方法
Wech等人[95]提出了一种基于CS的重建方法,使用3D SoS欠采样轨迹在27 s的单次屏气(BH)内进行全心脏动态MRI,其空间分辨率各向异性(2.1 × 2.1 × 8 mm³),时间分辨率为40.5 ms。作者得出结论,相对于完全采样的径向SoS采集可达到10.7的加速因子(AF)(相对于相应网格上的笛卡尔3D采集为6.8),而不影响诊断相关性。
在文献[97]中,Jeong等人使用kat-ARC对单次BH内的心脏3D电影MRI进行了验证研究,kat-ARC是一种用于笛卡尔采样的自校准PI方法。它使用运动自适应k-t合成核,利用空间和时间相关性并选择时间窗口以减少运动伪影。所报告的结果,空间分辨率为2 × 2 × 5 mm³,平均所需屏气时间为22 s,与标准2D电影CMRI相比未显示临床显著差异。
最近,Wetzl等人[99]提出了一种3D单次屏气(Single-BH)方法,其分辨率接近各向同性,为1.9 × 1.9 × 2.5 mm³,时间分辨率为42–48 ms,仅覆盖左心室的采集屏气时间为19 s,全心脏为32 s。该方法采用基于螺旋叶序的笛卡尔采样模式和压缩感知(CS)重建方法来实现高加速因子(AFs)。
自由呼吸(FB)方法
2010年,Liu等人介绍了一种基于切片交错(SoS)采集策略的FB 3D电影心脏磁共振成像(CMRI)方法,同时利用呼吸和心脏自门控[28]。心脏和呼吸运动从采集数据本身估计。估计的信号用于回顾性双门控方案,其中仅50%的数据用于后续重建。同一作者在后来的研究[101]中探索了一种称为Z强度加权位置(ZIP)的替代呼吸自门控信号。
在[39]中,Usman等人提出了一种用于3D电影CMRI的自门控笛卡尔方法,具有各向同性分辨率且无数据剔除。数据在FB下使用CASPR-Tiger轨迹连续采集,即采用螺旋轮廓排序和微小黄金角步长的笛卡尔采集以减少涡流。使用软门控技术和带时间全变分(tTV)的迭代SENSE重建4D体积(3D + 心脏相位)。Han等人在[40]中也提出了一种自门控笛卡尔方法。尽管它最初是为腹部MRI应用而构思的,但其对电影CMRI的适用性几乎可以直接实现。它基于3D旋转笛卡尔k空间(ROCK)重排方法。该采集方案允许呼吸运动估计和在多个呼吸状态下的回顾性数据分箱。重建被表述为一种基于CS的方法,具有空间和时间正则化以及并行成像(PI)。
[96]中提出了另一种用于4D CMRI重建的自由运行(即自导航和FB)方法。数据采集方案基于3D螺旋叶序轨迹,并结合用于呼吸自导航的切片间(SI)投影。该技术提供高各向同性空间分辨率,允许心脏功能成像和冠状动脉磁共振血管成像(MRA),其中不需要注射对比剂。
最近,XD-GRASP方法已被扩展用于重建5D心脏和呼吸运动分辨的全心脏电影MRI[100]。在这种情况下,采用了Coppo等人[96]先前提出的数据采集方案和呼吸运动提取方法。5D域指的是三个空间变量加上心脏相位和呼吸相位。在[98]中,Menchón-Lara等人在类似的重建框架中引入了一种3D黄金角(GW)心肺运动分辨的多回波多线圈(ME-MC)技术。此外,作者还加入了一种高效的多分辨率方案,这导致了恢复图像序列质量的显著改善。
表2总结了3D电影CMRI的重建技术。
简要讨论
如今,多层2D电影CMRI已成为临床实践中用于心脏功能研究的标准成像方式。在标准电影扫描中,会获取覆盖心脏体积的多个2D层面。然而,多层2D电影方法通常具有各向异性的空间分辨率,典型表现为低层间(层厚)分辨率。此外,数据只能以特定几何形态采集,如短轴(SA)、两腔(2CH)或四腔(4CH)视图,这需要在开始扫描前进行规划阶段(见图1)。这一事实使得无法进行任意方向的回顾性重建。此外,在通常的多BH采集方案中,2D电影CMRI可能受到不同屏气期间采集的层面之间错位的不利影响。尽管已探索了2D单BH方案,但在舒适的BH时段内所达到的SNR或分辨率对于许多应用而言可被认为是不够的。无论如何,BH方案对于患有呼吸窘迫综合征或存在其他呼吸暂停困难的患者以及不配合的患者是不适用的。因此,在大多数情况下,FB方法更可取且更适用。
3D电影CMRI避免了多层2D电影模态的上述一些缺点。它提供了更高的SNR和大的空间覆盖范围。得益于各向同性的空间分辨率,重建的体积可以被重排为任何期望的方向。因此,无需进行事先的规划阶段,并且总体扫描时间减少。然而,3D采集也需要稳健的策略来减轻运动对重建图像的影响。此外,3D体积的激发还影响心肌与血池之间的对比度,因为进入成像体积的未饱和血液部分减少。一些3D方法[28, 39]指出了这一问题,并建议注射对比剂以改善对比度。然而,其他研究[96, 100]坚持认为不需要注射对比剂。
至于不同的技术,建立比较分析并不容易。表1和表2包括了每种方案在AF、图像时空分辨率和重建时间方面的性能。此外,图3展示了不同方法性能的图形化表示以用于比较目的。具体而言,分别针对多BH、单BH和FB重建方法描绘了时间分辨率(ms)与AF的关系。在某些情况下,当相应出版物中未报告AF时,已根据可用数据进行估计。类似地,当未报告时,已假设平均心率为60 bpm来近似重建的动态序列的时间分辨率。阴影框用于区分2D和3D技术。此外,图形通过使用不同的大小和颜色包含了关于平面内空间分辨率(mm)和层厚(mm)的信息。总体而言,CS和低秩算法显示出进一步加速采集的潜力。然而,这些方法涉及较长的重建时间。因此,GPU和专用框架在减少重建时间方面发挥着重要作用。
深度学习及超越
cine CMRI的重建仍将是技术发展的活跃领域。在运动检测和建模方面仍有改进空间,这将显著提升图像质量。特别是,处理不规则运动模式将是一个关键方面。未来的工作还需要在减少扫描和重建时间方面取得进一步进展。此外,转向MRI引导心脏介入治疗具有很大的兴趣[45]。为此,实时成像的发展至关重要。值得注意的是,机器学习(特别是深度学习)在心脏cine MRI重建中的作用也很有前景。
深度学习(DL)最近已成为与成像相关的任何主题中的变革者,特别是医学成像。深度神经网络具有学习多个抽象层次表示的固有能力。这允许对数据内的复杂关系进行建模,提高待解决问题(无论是分类、估计/回归还是重建)的整体性能。这些网络最初在20世纪80年代被提出[102],尽管其可行性直到最近才得到提升。其原因在于具有强大处理能力的高性能GPU的发展以及大量数据的可用性。
在医学图像重建领域,从业者非常清楚前几节所述的基于优化的算法相关的局限性。其中两个如下:高处理时间和超参数调优的需求。因此,DL架构作为解决方案出现,将复杂性从“生产”侧转移到训练阶段。由于训练是离线进行的,因此在这种情况下时间要求不是问题。当然,会出现许多不同的问题,这些解决方案也受到批评。然而,这种新场景似乎将继续存在。
已报道的DL解决方案大致可分为追求重建作为黑盒解决方案的那些,如[58, 103],以及通过显式或隐式地将过程展开为多个阶段来模拟优化过程的那些,例如[55, 56]。这种分类在[104]中进行,我们遵循它。然而,这是一个热门话题,因此此参考文献列表只是近期贡献的样本。
心脏成像领域目前的研究还不够多。最近的一项贡献[105]被用于(并非 exclusively)静态心脏成像。作者提出了一种对抗架构,用于类压缩感知(CS)的静态二维图像MRI重建。生成器部分通过U-Net[106]实现。该网络被训练来学习全采样真实图像与零填充直接重建之间的残差。作者强调了训练生成器网络以进行细化学习的重要性,以及他们的方法在训练阶段未提供任何病理病例的情况下仍能正确重建病理病例的能力。静态心脏图像由用脑图像训练的网络实现了连贯重建,尽管观察到血池区域存在伪影以及一些精细结构细节的丢失。
与动态心脏成像相关的贡献也很少。在[107]中,作者利用U-Net进行二维电影重建。在这种情况下,时间维度被用作附加通道,但没有采取进一步措施来捕捉动态。另外两项相关贡献是[57, 104],下文将进行描述。
[57]中提出的方法基于这样一种思想:可以端到端地训练深度网络来重建动态心脏图像序列。然而,确保解在已采样测量的那些位置上与k空间信息保持一致将是有价值的。这自然导致迭代过程,作者通过两个结构的级联来展开该过程,即深度网络和数据一致性单元。后者是通过解析方式执行的简单操作。网络深度和级联深度都是需要调谐的参数。作者将时间序列重塑为二维时间切片的3D体,因此卷积层中的滤波器是时空滤波器。此外,他们添加数据共享层作为新的数据通道,这些通道由通过用附近(时间上)图像帧中的采样值填充其欠采样k空间而重建的图像组成。尽管论文中描述的实验是初步的,但它们清楚地显示了所提出架构的优势。然而,根据前几节所述的最先进技术,加速因子(AF)相对较低(最大AF为九)。
在[104]中,作者通过循环架构避免了网络级联。该文献与[57]有些平行——该文献来自同一课题组——尽管存在许多实质性差异。在这种情况下,基于变量分裂的迭代过程被用于优化整体目标函数。迭代通过卷积循环神经网络(CRNN)完成。在每次迭代中,执行与[57]中所提出的类似的数据一致性操作。至于网络架构,作者使用若干层单向CRNN以及一层双向CRNN。单向CRNN的循环在优化过程的迭代中进行。同时,双向CRNN旨在捕捉时间序列的动态。因此,迭代维度和时间维度上的循环都得到了考虑。源自CRNN方案的特征表现出更高的正交性程度,即比来自网络级联的特征具有更高的信息解耦程度。
总体而言,尽管该领域尚处于起步阶段,但该领域正在开展大量活动,因此中期内有望取得惊人进展。然而,此处的维度是一个问题。三维动态序列的训练在数据和计算时间需求方面似乎极为复杂。也许混合方法——其中部分重建通过深度学习(DL)方案进行,然后通过基于经典优化的方法进行细化——可能是一种值得探索的流程。时间会证明一切。
引用
- Menchón-Lara RM, Simmross-Wattenberg F, Casaseca-de-la-Higuera P, et al. Reconstruction techniques for cardiac cine MRI. Insights Imaging. 2019. PMID: 31549235. doi:10.1186/s13244-019-0754-2
- 全文:PMC6757088(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC6757088/
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。