文献速递骨肌MR

基于深度学习的压缩感知人工智能框架加速踝关节磁共振成像

Deep learning-based acceleration of Compressed Sense MR imaging of the ankle.
PubMed 文献 · Eur Radiol · 2022-06-25

前瞻性纳入30例患者,在3T磁共振上比较仅用压缩感知(CS,12分44秒)与压缩感知人工智能重建(CSAI2x加速4.6-5.3倍,6分45秒;CSAI3x加速6.9-7.7倍,4分46秒)的踝关节多对比度多平面图像。CSAI2x与CS结构显示无显著差异且异常检出完全一致,CSAI3x结构显示评分较低但多数异常仍可检出;高分辨率CSAI轴位T2加权序列改善肌腱和胫神经显示。

要点

  • CSAI2x较CS缩短采集时间47%且诊断图像质量不降低,异常检出与CS完全一致(κ=1.0)。
  • CSAI3x缩短63%时间,多数异常仍可检出,但结构显示评分较低(p≤0.001),诊断信心下降。
  • 高分辨率CSAI轴位T2加权序列在不增加扫描时间下改善肌腱和胫神经显示(p≤0.005)。

核心结论

  • 与CS相比,使用CSAI可将采集时间缩短47%而不降低诊断图像质量。
  • 将采集时间缩短63%可行,但应保留用于特定患者。
  • 使用高分辨率轴位T2加权CSAI扫描可改善特定结构的显示。

研究设计与样本

  • 前瞻性验证研究,2021年1月至6月纳入30例患者(15例女性,年龄19-84岁),由骨科转诊。
  • 在3T磁共振扫描仪(Ingenia Elition;Philips Healthcare)上使用16通道踝关节线圈,踝关节固定于线圈内以减少运动伪影。
  • 采集轴位T2加权TSE、冠状位T1加权TSE及冠状位和矢状位中间加权TSE加频谱预饱和反转恢复(SPIR)压脂序列,每种序列采集三次:CS(加速因子2.5)、CSAI2x(加速因子4.6-5.3)、CSAI3x(加速因子6.9-7.7)。
  • 另采集高分辨率轴位T2加权CSAI序列(CSAIHR),扫描时间与CS轴位T2加权参考序列相似但平面内分辨率更高、层厚更薄。
  • 以CS作为所有统计比较的参考标准,因CS为当前临床常规标准成像技术;两名放射科医生(分别有25年和7年经验)盲法独立评估。

关键影像表现/征象

  • CSAI2x与CS在结构显示上无显著差异,两种方案检出的异常完全相同。
  • CSAI3x除胫舟韧带外所有解剖结构显示评分显著低于CS(p≤0.001),胫舟韧带在CS中评分已低且CSAI3x仅轻微下降。
  • CSAIHR扫描改善腓骨肌腱和胫骨骨结构显示(p≤0.05)、前腓距韧带和伸肌腱显示(p≤0.005)及胫神经显示(p≤0.001)。
  • CS、CSAI2x、CSAI3x和CSAIHR所有病例均观察到魔角伪影,不同磁共振方案间魔角伪影明显程度无差异。
  • CSAI重建未产生新的、人工的异常。

诊断标准与关键数值

  • 解剖结构显示采用5点Likert量表评分(1=差,2=低于平均,3=一般,4=好,5=优秀),评估部分容积效应、模糊、与邻近结构区分和信号均匀性。
  • 韧带异常参照Schweitzer分类系统分级:0=无异常,1=退变,2=部分撕裂,3=完全撕裂;肌腱异常按有/无分级。
  • 关节软骨退变分级:0=无异常,1=信号异常,2=表面缺损,3=骨软骨缺损;骨异常分级:0=无异常,1=骨髓水肿模式(BMEP),3=其他异常。
  • 诊断信心采用5点序数量表记录(1=不可检测,5=100%显示、清晰)。
  • CSAI2x与CS的序列间相关性完美(两名读者κ均为1.0);CSAI3x与CS的序列间相关性优秀(读者1 κ=0.93-1.0,读者2 κ=0.86-1.0);读者间相关性所有标准优秀(κ=0.86-1.0)。

临床应用与阅片要点

  • CSAI2x方案采集时间6分45秒(较CS的12分44秒缩短47%),结构显示和异常检出与CS无显著差异,诊断信心无显著差异。
  • CSAI3x方案采集时间4分46秒(较CS缩短63%),结构显示评分较低且侧副韧带复合体和骨的诊断信心显著降低(p≤0.005),多数异常仍可检出(读者1 47/49,读者2 44/45)。
  • CSAI3x未检出的异常包括1例腓骨短肌腱纵向劈裂撕裂和1例距骨骨髓水肿(直径<3 mm),因解剖结构模糊增加所致。
  • 高分辨率轴位T2加权CSAIHR序列扫描时间2分50秒,CS轴位T2加权参考序列2分25秒,可改善肌腱和胫神经显示。
  • 作者认为CSAI2x方案可能可应用于临床实践而不降低诊断图像质量,但需进一步验证研究确认;CSAI3x可用于患者明显疼痛或仅能短时间保持不动的特定病例。

局限性

  • 无外部参考标准(如关节镜)作为踝关节病变的金标准,因此无法用外部参考标准验证诊断的病变。
  • 本研究仅纳入30例受试者且不同病变数量有限,需纳入更多患者进一步研究以确认结果。
  • 本研究为在内部数据集上进行的验证研究,需进一步研究验证结果;下一步包括时间验证(在同一中心的第二数据集上评估)和外部验证(在一个或多个其他中心的数据上评估)。
  • CSAI3x图像质量下降由图像模糊增加所致,导致异常检出敏感度降低。
全文中译10 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2022 Jun 25;32(12):8376–85. doi: 10.1007/s00330-022-08919-9

引言

踝关节是最复杂的关节之一,具有多条斜向走行的韧带和肌腱[1–6]。在美国,每天约有10,000人发生踝关节损伤,其中最常见的损伤类型是扭伤[7, 8]。磁共振(MR)成像因其高软组织对比度而成为评估肌肉骨骼疾病的主要成像方式之一。然而,由于编码时间较长,数据采集过程本身较慢[9]。这导致扫描时间延长,进而增加检查成本并降低患者流通量。此外,图像质量常因运动伪影而受损,因为即使对健康受试者而言,保持数分钟不动也是一项挑战[10]。

并行成像(PI)以及后来的压缩感知(CS)等技术的发展加速了MR图像采集。CS减少k空间中的采集线数,并通过迭代重建算法恢复缺失数据[11, 12]。研究表明,CS与PI的结合可将踝关节MR图像采集时间缩短20%,而不影响诊断性能[13, 14]。更近期,基于深度学习的方法如卷积神经网络(CNN)和生成对抗网络(GAN)在加速MR成像数据采集过程方面显示出良好前景[15]。这些方法应用基于深度学习的重建方案,从欠采样MR数据中生成高质量图像[9, 16–21]。

本研究旨在开展一项验证研究,评估一种结合PI、CS和基于深度学习的人工智能的压缩感知人工智能框架(CSAI),与传统CS成像相比,在多对比度和多平面踝关节MR成像中额外实现两倍和三倍加速,并比较两种技术的图像质量和诊断性能。在次要分析中,我们比较了使用CSAI重建的高分辨率图像对解剖结构的显示。

材料与方法

受试者选择

2021年1月至6月期间,我们的研究前瞻性纳入了30例患者(15例女性,年龄19–84岁)。所有参与者均获得知情同意;研究经当地机构审查委员会批准(42/21S)。所有患者均由骨科转诊,患有多種疾病,包括创伤、退变和不明原因疼痛。符合MR安全指南排除条件的个体,如带有心脏起搏器、其他植入电子设备或妊娠者,未被纳入。

数据采集

本研究探讨了一种新型卷积神经网络(CNN)的实用性,该网络整合并增强了传统压缩感知(CS)算法,由Pezzotti等人[15]提出的自适应压缩感知网络(Adaptive-CS-Network)(CSAI)。自适应压缩感知网络模拟了Zhang等人[22]提出的迭代收缩阈值算法(ISTA)方法,以问题特定的可学习方式整合多尺度稀疏化,并将基于CNN的稀疏化方法与压缩感知的图像重建方法相结合,从而确保数据一致性,并纳入领域特定的先验知识,如线圈灵敏度分布和图像背景位置。在此方面,自适应压缩感知网络基本上以CNN替代小波变换作为压缩感知算法中的稀疏化变换,同时仍在重建过程中保留领域特定知识和确保数据一致性的项。与Pezzotti等人[15]提出的网络不同,本研究中采用的自适应压缩感知网络在约740,000幅稀疏化MR图像上进行了预训练,使用了1.5T和3T的各种解剖结构和对比度的图像。此外,该算法经过优化,可在标准重建硬件上执行。

所有检查均在3T MR扫描仪(Ingenia Elition;Philips Healthcare)上使用16通道踝关节线圈进行。踝关节固定于线圈内以减少运动伪影。检查方案包括以下二维序列:轴位T2加权快速自旋回波(TSE)序列、冠状位T1加权TSE序列以及冠状位和矢状位中间加权(IM)TSE序列,采用频谱预饱和反转恢复(SPIR)进行脂肪抑制。所有序列均获取三次:(1)加速因子2.5,使用CS重建;(2)加速因子4.6–5.3,使用CSAI重建(CSAI2x);(3)加速因子6.9–7.7,使用CSAI重建(CSAI3x)。此外,我们还获取了一个高分辨率轴位T2加权序列,使用CSAI重建(CSAIHR),扫描时间相似但平面内分辨率提高、层厚减小,与仅使用CS重建的轴位T2加权参考序列相比。为评估信噪比(SNR)和对比噪声比(CNR),在8名患者的同一踝关节上两次执行冠状位和轴位MR序列,扫描间未重新定位。CS方案的总扫描时间为12:44分钟。CSAI2x方案的扫描时间为6:45分钟(较CS缩短47%)。CSAI3x方案的扫描时间为4:46分钟(较CS缩短63%)。多层二维扫描的重建时间约为2分钟。成像方案的进一步细节见表1。

表1 使用CS、CSAI2x和CSAI3x采集的序列参数 查看原表 ↗

定量图像分析

采用减影法测定CS、CSAI2x和CSAI3x的SNR和CNR值,方法如先前所述[13, 23, 24]。同一检查时段内两次采集的序列相减以生成噪声图。感兴趣区(ROI)放置于每个序列连续三层图像的相同位置以及噪声图上。对以下组织计算SNR:液体、肌肉和肌腱。对液体/肌肉、液体/肌腱和肌肉/肌腱计算CNR。

半定量图像分析

CS、CSAI2x、CSAI3x数据集和CSAIHR图像以随机顺序进行分析,两次阅片之间间隔4周以防止回忆偏倚。MR图像由两名放射科医师(分别具有25年和7年经验;K.W.和S.C.F.)独立分析,对所有临床和其他信息设盲。阅片者对下胫腓联合、内外侧韧带复合体、跗骨窦韧带、伸肌腱、屈肌腱和腓骨肌腱、踝关节关节软骨、骨骼及胫神经的显示情况和异常存在与否进行评分。解剖结构的显示采用5点李克特等级量表(1=差,2=低于平均,3=一般,4=好,5=优)评估以下标准:部分容积效应、模糊、与邻近结构的区分度及信号均匀性[23]。韧带异常参照Schweitzer分类系统[25]进行分级:0,无异常;1,退行性改变;2,部分撕裂;3,完全撕裂。肌腱异常按存在/不存在分级。关节软骨退行性改变分级为:0,无异常;1,信号异常;2,表面缺损;3,骨软骨缺损。骨骼异常分级为:0,无异常;1,骨髓水肿模式(BMEP);3,其他异常。对所有检测到的异常记录诊断信心,采用先前应用的5点等级量表(1=不可检测;5=100%显示,清晰)[23]。

统计分析

统计分析使用SPSS 25.0版(IBM)进行,采用双侧0.05显著性水平(S.C.F.)。我们还区分了p ≤ 0.05、p ≤ 0.005和p ≤ 0.001,因为既往研究表明使用高于0.005的p值可能导致科学发现缺乏可重复性[26]。CS作为所有统计比较的参考标准,因为这是目前我们临床常规中的标准成像技术。Wilcoxon符号秩检验用于评估CS与CSAI方案在图像质量及异常检测和分类方面的差异。检测到异常的观察者间相关性和序列间相关性使用Cohen's kappa确定。

结果

定量图像分析

CS与CSAI2x方案之间SNR无显著差异。与CS相比,CSAI3x方案中液体(94.2 ± 48.3 vs. 163.6 ± 77.7,p = 0.035)和肌肉(127.8 ± 45.9 vs. 442.0 ± 17.3,p = 0.011)的SNR更高;图1。与CS相比,CSAI2x方案中液体/肌肉的CNR更高(81.8 ± 37.6 vs. 241.1 ± 183.1,p = 0.035),而其他研究组织未发现显著差异。仅与CS相比,CSAI3x方案中所有组织的CNR均更高(液体/肌肉:81.8 ± 37.6 vs. 278.4 ± 94.8,p = 0.011;液体/肌腱:52.6 ± 37.7 vs. 120.6 ± 47.8,p = 0.011;肌肉/肌腱:92.4 ± 68.9 vs. 399.0 ± 49.2,p = 0.011;图2)。

图1 液体、肌肉和肌腱的SNR。仅用CS采集的序列与CSAI2x序列之间SNR无显著差异。与CS相比,CSAI3x序列中液体和肌肉的SNR更高 查看原图 ↗
图2 计算的组织液体/肌肉、液体/肌腱和肌肉/肌腱的CNR 查看原图 ↗

解剖结构的显示

在比较CS和CSAI2x时,所有结构的显示均未发现显著差异。在CSAI3x中,除胫舟韧带外,所有解剖结构的显示评分均显著低于CS(p ≤ 0.001),而胫舟韧带在CS中Likert评分已经较低,在CSAI3x中仅略有下降。两位读者均发现高分辨率轴位T2加权CSAIHR扫描改善了腓骨肌腱和胫骨骨结构的显示(分别为p ≤ 0.05)、前腓距韧带和伸肌腱的显示(分别为p ≤ 0.005)以及胫神经的显示(p ≤ 0.001)(图3)。此外,读者1还评价后胫腓韧带显示更佳,读者2评价屈肌腱以及距骨和腓骨骨结构显示显著更佳(分别为p ≤ 0.05)。所有评分解剖结构的详细信息见表2。在CS、CSAI2x、CSAI3x和CSAIHR中,所有病例均观察到魔角伪影。此外,不同MR序列之间魔角伪影的明显程度未见差异。

图3 一位30岁女性患者的高分辨率轴位T2加权CSAI TSE图像(a,2:50 min)和常规CS TSE图像(b,2:25 min)。注意高分辨率CSAI TSE图像与CS TSE图像相比,肌腱和胫神经的细节显示更清晰,与邻近结构的区分更佳 查看原图 ↗
表2 解剖结构的显示 查看原表 ↗

异常评估

异常评估的详细信息和诊断置信度见表3。在CS重建图像上检测到的所有异常也均在CSAI2x图像上检测到,两种序列对所有检测到的异常所记录的诊断置信度无显著差异(图4)。此外,在CS获得的图像上检测到的大多数异常也均在CSAI3x图像上检测到(n = 47/49,读者1;n = 44/45,读者2)。仅CS采集图像上记录的1处腓骨短肌腱纵向劈裂撕裂和1处骨异常(距骨骨髓水肿,直径< 3 mm)在CSAI3x图像上未见,原因是解剖结构模糊度增加。两位读者均记录CSAI3x相比CS图像对外侧韧带复合体和骨异常的诊断置信度显著降低(p ≤ 0.005)。读者1还记录CSAI3x相比CS图像对软骨异常的诊断置信度降低,而读者2记录CSAI3x相比CS图像对肌腱异常的诊断置信度降低(p ≤ 0.05)。CSAI重建未产生新的伪影异常。

所有标准的读者间相关性均为极好,κ = 0.86–1.0。两位读者的CSAI2x与CS序列间相关性均为完美,κ = 1.0。两位读者的CSAI3x与CS序列间相关性均为极好,读者1的κ = 0.93–1.0,读者2的κ = 0.86–1.0(图5)。

表3 检测到的异常及诊断置信度 查看原表 ↗
图4 一名52岁男性采用CS(a)、CSAI2x(b)和CSAI3x(c)采集的轴位T2加权TSE图像,与CS相比,采集时间分别缩短约一半和三分之二。图像显示距腓前韧带完全撕裂(黑箭)。注意CSAI3x图像上胫骨的模糊度略有增加。然而,三幅图像均清晰显示了距腓前韧带撕裂。 查看原图 ↗
图5 一名42岁男性的冠状位T1加权和中间加权TSE图像,采用频谱预饱和反转恢复(SPIR)进行脂肪饱和,使用CS(a、d)、CSAI2x(b、e)和CSAI3x(c、f)采集,显示距骨内侧肩部骨软骨缺损(白色箭头)以及距下关节退行性改变(白色箭)。CS和CSAI2x图像上骨骼显示的Likert评分为5分(优秀),两者相当,但CSAI3x图像上略低,Likert评分为4分(良好)。 查看原图 ↗

讨论

在本研究中,我们实施了一种人工智能框架,与传统CS相比,可将踝关节MR成像额外加速两倍和三倍。CS与CSAI2x之间的相关性为完美,CS与CSAI3x之间的相关性为优秀。CS与CSAI2x之间在解剖结构显示方面未发现显著差异,两种序列均检测到相同的异常。对于CSAI3x,与CS相比,显示评分显著较低;然而,大多数异常也被检测到。研究发现,高分辨率轴位T2加权序列可特异性改善肌腱、骨骼和胫神经的显示,与轴位T2加权CS参考扫描相比,扫描时间仅轻微增加。

既往研究已使用深度学习加速MR成像。一种方法是从低分辨率数据创建高分辨率图像[27–29]。Chaudhari等使用深度学习CNN从较厚的输入层厚生成薄层膝关节MR图像[27]。此外,不同的深度学习方法已被应用于从欠采样MR数据重建MR图像[17, 30]。Akçakaya等使用基于k空间的深度学习技术从采集的k空间数据估计缺失的k空间线[17]。Liu等使用生成对抗网络(GAN)强制数据一致性,以实现加速MR图像的稳健重建[30]。与我们的研究类似,Hammernik等使用基于图像空间的技术,通过所谓的变分网络重建加速MR图像[16]。加速因子为4的变分网络重建的总体图像质量评分与传统PI压缩感知图像相当或更好,尽管未单独评估解剖结构和病变[16]。与此一致,我们发现CS与CSAI2x之间在解剖结构显示方面无显著差异,加速因子为4.6–5.3,相当于仅为CS采集时间的大约一半。此外,两种序列均检测到相同的异常,记录的诊断信心无显著差异。这些发现表明,CSAI2x方案可在临床实践中实施而不降低诊断图像质量,但仍需进一步验证研究以确认这些结果。

此外,我们还评估了CSAI3x的诊断图像质量,其采集时间相比CS协议加速了三倍。与CS相比,大多数结构的显示和对异常检测的诊断信心评分较低。诊断图像质量的下降是由图像模糊增加所致,导致异常检测的敏感性降低。未观察到覆盖或模拟病变的伪影。然而,需要注意的是,CS中记录的仅一条腓骨肌腱病变和一处距骨骨异常在CSAI3x中未被发现,而所有其他异常均被检出。这些发现表明,CSAI3x可用于患者处于显著疼痛或仅能保持短时间不动的特定情况。

与CS相比,CSAI3x中测得的SNR值较高,但CSAI2x中并非如此。对于CSAI3x,较高的SNR值被图像模糊以及相关的、显著更差的解剖结构和异常显示所抵消。这表明在比较迭代图像重建和图像去噪时,SNR和CNR值并不代表总的感知图像质量。虽然CSAI3x中图像细节和异常的显示较差,但未观察到人工细节或异常。

尽管结果令人鼓舞,但本研究存在一些局限性,应在进一步研究中加以解决。没有外部参考标准(如关节镜检查)可作为踝部检出病变的ground truth。因此,无法使用外部参考标准来验证所诊断的病变。此外,我们的序列仅纳入30名受试者,不同病变数量有限,因此需要纳入更多患者的进一步研究来确认这些结果。本研究的目的是在内部数据集上进行验证研究。然而,需要进一步研究来验证这些结果。下一步包括时间验证(在来自同一中心的第二数据集上评估)和外部验证(在来自一个或多个其他中心的数据上评估)[31]。为在临床工作流程中实施CSAI,最初在标准常规成像协议之外引入这些成像序列可能也有益处。这种方法将使放射科医生能够更好地理解CSAI序列以及何时最佳实施它们。

总之,我们在单一机构进行了一项验证研究,以评估压缩感知人工智能框架,发现使用CSAI可将采集时间缩短47%而不降低诊断图像质量。将采集时间缩短63%仍可产生具有可接受诊断准确性的图像,但应保留用于患者处于显著疼痛或仅能保持短时间不动的特定情况。本研究是进一步验证研究的基础。

引用

  1. Foreman SC, Neumann J, Han J, et al. Deep learning-based acceleration of Compressed Sense MR imaging of the ankle. Eur Radiol. 2022. PMID: 35751695. doi:10.1007/s00330-022-08919-9
  2. 全文:PMC9705492(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9705492/

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。