文献速递妇产影像儿科影像技术与安全MR

胎儿MRI回顾性运动校正在临床应用中的现有方法、应用及临床实践整合

Retrospective motion correction in foetal MRI for clinical applications: existing methods, applications and integration into clinical practice.
PubMed 文献 · Br J Radiol · 2022-08-08

胎儿MRI受运动影响导致结构连续性和三维容积信息丢失,基于切片-容积配准(SVR)的回顾性运动校正可从多组运动损坏的2D切片重建3D各向同性高分辨率图像。早期结果提示SVR重建有附加价值,3D胎儿MRI正逐步走向临床验证,但全面整合入临床实践仍需对不同SVR方法组件进行广泛评估和标准化,并进一步优化现有软件解决方案以大规模应用。

要点

  • 胎儿MRI T2W单次激发序列可在20–38周使用,但运动导致切片间结构不连续和容积信息损坏。
  • SVR重建可生成3D各向同性高分辨率图像并任意平面重组,可能减少常规2D数据生物测量和器官容积测量的误差。
  • 自2018年起圣托马斯医院围产期影像科常规对所有胎儿脑MRI数据集进行SVR重建,约96%重建成功可用于临床判读。

核心结论

  • 基于SVR的回顾性运动校正早期结果有前景,3D胎儿MRI正逐步走向临床验证。
  • 全面整合入临床实践需对SVR重建方法的不同组件进行广泛评估和标准化,并进一步优化现有软件以大规模应用。
  • 目前所有基于SVR的重建工具仍处于研究阶段,尚未商业化。

研究设计与样本

  • 综述性文章,总结胎儿MRI回顾性运动校正的现有方法、应用及临床实践整合,未报告系统检索范围和纳入文献数量。
  • 引用数据来自圣托马斯医院(伦敦)采集的胎儿MRI数据集,使用1.5T Philips Ingenia和3T Philips Achieva扫描仪、躯干接收阵列线圈及T2W SSTSE序列。
  • 自2018年起圣托马斯医院围产期影像科常规对所有胎儿脑MRI数据集行SVR重建,2018至2021年间共1070例重建用于临床报告和研究项目,每数据集5–9组切片。

关键影像表现/征象

  • 胎儿运动包括头部和躯干平移与旋转、脊柱弯曲致内脏变形、肢体运动及生理运动(心脏、假呼吸、吞咽),母体呼吸运动也产生伪影,臀位胎儿脑成像时尤其明显。
  • 胎儿运动可在单张切片产生信号强度伪影,削弱可视化和定量。
  • T2W SSTSE序列在胎儿脑TE 120–180 ms、胎儿身体TE ≤120 ms时组织对比最优;厚层(4–5 mm)采集更快、SNR更高但小器官特征采样不足,薄层(≤3 mm)分辨率更高但扫描时间更长更易受运动损坏。
  • 3D SVR重建质量不直接受场强影响,而取决于原始切片的运动量、SNR水平和过采样程度;厚层(4–5 mm)比薄层(<3 mm)产生更多模糊和更稀疏空间覆盖,重建质量更低。
  • 增加切片组数通常改善小特征和严重运动病例的重建质量;大于60°的大旋转可导致经典配准方法重建失败,主要影响小部分早孕期和羊水过多病例。

诊断标准与关键数值

  • 3D胎儿脑重建图像质量分级方案范围为1–4,4对应高质量图像;分级≥2.5视为可接受临床判读,约96%的SVR重建成功。
  • 分级2–3(轻度或严重SNR和对比度丢失)主要与原始2D切片质量低有关;分级<1.5的重建失败主要由大旋转(>60°)引起。
  • 在86例胎儿中,心脏3D重建使可视化的心血管结构数量从53%增至97%(与采集的运动损坏2D MRI切片组相比);容积重建在90%的先天心血管病例中提高了诊断信心。
  • 胎儿脑2D生物测量(精确放射学采集平面)与3D重建高度相关且无显著差异;轻至中度运动病例中,2D切片组与DSVR运动校正3D图像的胎儿肺容积测量高度一致。
  • 在常规仅CPU工作站上,remialSRTK、NiftyMIC和SVRTK对一例28周GA、6组切片的1.5T SSTSE数据集重建时间分别为112、55和5分钟。

临床应用与阅片要点

  • SVR重建的3D图像可重新定向显示脑内任意所需平面,使扫描操作者图像规划要求降低、重复扫描需求减少,可能提高扫描流程效率并显著缩短总扫描时间。
  • 即使重建质量高,目前临床报告仍应包括对原始2D切片组的检查,直到临床研究确认3D重建MRI诊断可靠性,以防止原始数据传播的伪影导致假发现或漏信息。
  • 圣托马斯医院(伦敦)的研究流程中,临床医生可直接启动脚本将输入2D T2W SSTSE胎儿MRI切片组复制到服务器并启动SVR或DSVR重建,输出3D图像自动存储于专用安全本地存储数据库供可视化和诊断。
  • 本研究中心的做法是自2018年起对圣托马斯医院围产期影像科所有胎儿脑MRI数据集常规行SVR重建;自2016年起对胎儿胸部(主要为主动脉弓异常)T2W黑血数据集行超过400例SVR/DSVR重建。
  • 最近DSVR方法也常规用于胎儿身体MRI数据集,报告质量分级足够高(>90%)的比例。

局限性

  • 经典SVR和DSVR流程需要手动绘制脑或身体掩膜、手动选择切片组并手动将输出3D图像重新定向至标准放射学平面,耗时且依赖操作者。
  • 当前自动化方法在多胎妊娠MRI扫描存在多个胎儿脑/身体时受限,尚未解决。
  • 尚无报道评估低重建质量可能导致诊断内容减少的情况。
  • 目前临床接受的2D胎儿MRI和超声衍生容积测量本身易出错,不能视为精确金标准,使严重运动数据集的3D MRI测量验证具有挑战性。
  • 在3D MRI容积测量用于临床实践前,需建立其与常规2D胎儿MRI和超声的一致相关性。
全文中译18 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:Br J Radiol. 2022 Jul 25;96(1147):20220071. doi: 10.1259/bjr.20220071

在过去15年中,一系列工作通过使用层到体积配准(SVR)在图像域进行回顾性运动校正来应对这一挑战。基于SVR的方法允许从多个受运动破坏的图像堆栈重建胎儿大脑和身体的三维各向同性高分辨率图像。三维重建图像可在任意平面重新定向,并用于体积渲染以实现高级可视化。这还可能减少传统上使用二维图像数据进行的生物测量和器官体积测量中的误差。

已报道的关于SVR重建附加价值的早期结果令人鼓舞,三维胎儿MRI正逐步走向临床验证。然而,迈向完全融入临床实践的下一步将需要对SVR重建方法的不同组成部分进行广泛评估和标准化,并进一步优化现有软件解决方案以实现大规模应用。

引言:胎儿MRI中的运动

MRI在评估高危胎儿时提供产前超声的补充信息,现已成为确认或进一步表征胎儿异常的成熟临床技术。1–3 不同研究已证明MRI对中枢神经系统(CNS)和非CNS异常的诊断在胎儿及出生后管理和父母咨询方面具有附加益处。虽然图像质量受到不可避免的胎儿运动和母体呼吸的影响,快速单次激发采集方法的发展已部分克服了单个二维层面内运动相关伪影以及母体镇静需求的问题。然而,常规MRI检查仍依赖重复采集,以确保不仅完整覆盖,还能获得胎儿三个传统正交视图的精确图像。

图1a所示的二维层面冠状堆栈覆盖胎儿大脑,具有较高的平面内对比度和信噪比(SNR)。然而,即使轻微运动也会导致层面间结构连续性的丧失和体积信息的破坏。此外,胎儿在子宫内任意且不断变化的整体位置(图1b)需要动态调整采集平面以捕获精确的正交解剖视图,这在实际检查中并非总能实现。

胎儿MRI通常在孕20至38周之间进行。较小孕周数据集中的运动更为明显,部分原因是羊水量相对较大且活动空间较大。4 图1b显示了在孕22、29和36周采集的T2加权冠状全子宫堆栈示例。从贯穿平面视图可以看出,22周病例受运动破坏严重,且随着孕周增加运动不那么明显。这也反映在图1c中,其表明平均胎儿胸部运动(单个数据集内堆栈间的旋转)随胎儿年龄增加而减少。然而,运动程度通常因病例而异。一些早期孕周胎儿确实保持静止,而足月胎儿的头部运动可能显著影响图像质量。

胎儿运动类型(见补充视频1)包括:胎儿头部和躯干的平移和旋转、脊柱弯曲导致的内脏器官变形、肢体运动以及生理运动(如心脏运动、假性呼吸、吞咽)。母体呼吸运动也会产生运动伪影。当以臀位对胎儿大脑进行成像时,这一点尤为明显。胎儿运动还可能导致单层图像中出现信号强度伪影(图1d),从而影响可视化和量化。

点击此处获取补充数据文件。

虽然专为胎儿磁共振成像(MRI)设计的现代快速抗运动采集序列5能够提供单层图像的图像质量,但目前尚无临床认可的3D前瞻性运动校正方案的报道。胎儿大脑和身体的运动校正也可以在图像域中进行回顾性处理。该方法基于层-体配准(SVR)方法,从多个2D层堆栈重建3D各向同性图像,详见下文各节。这种方法有可能在采集堆栈的数量和方向方面缩短采集时间,并实现对发育中胎儿的客观3D检查和量化。

图1. 胎儿MRI中的运动:T2加权SSTSE 2D层堆栈示例。本示例中使用的MRI数据集采集于伦敦圣托马斯医院。 查看原图 ↗

胎儿MRI的采集方案

胎儿成像的常用MRI方案从三平面定位像开始,随后对整个子宫进行冠状面大视野T2加权(T2W)单次激发采集。这些初始图像用于检查胎位、宫颈和胎盘,并用于规划其余成像方案。通过胎儿大脑和身体获取较小视野图像,包括轴面、矢状面和冠状面。由于胎儿持续运动,垂直平面在每个序列后需单独规划。

胎儿MRI方案中使用的两个主要序列是:T2W半傅里叶单次激发快速自旋回波序列(图1a)(各厂商名称包括Philips:SSTSE;Siemens:HASTE;GE、Hitachi:SSFSE;Toshiba:FASE),可提供良好的解剖细节;以及稳态自由进动序列(Philips:Balanced FFE;Siemens:TRUEFISP;GE:FIESTA;Toshiba:True SSFP;Hitachi:Balanced SARGE),具有亮血表现,用于识别心脏、血管和含液结构。

T1W扰相梯度回波(Philips:T1-FFE;Siemens:FLASH;GE:SPGR;Hitachi:RF spoiled SARGE;Toshiba:Fast FE)图像有助于检测出血和钙化,并识别胎粪、脂肪和甲状腺组织。回波平面图像、梯度回波、自旋回波以及扩散加权图像也可获取以提供额外信息。

每个序列所用的采集参数和堆栈数量因当地指南而异,例如比吸收率(SAR)限制,以及可用硬件,例如磁场强度和射频(RF)线圈设计。总体而言,对于SSTSE序列,胎儿脑在回波时间(TE)120–180 ms时获得最佳组织对比度6,胎儿体部在TE ≤ 120 ms时获得最佳组织对比度。7 堆栈数量、层厚和层间距的选择取决于总扫描时间限制。厚层(4–5 mm)可实现更快采集和更高SNR,但可能导致对小器官特征的采样不足。薄层(≤3 mm)提供更高图像分辨率,但由于扫描时间更长,可能因胎儿运动而导致更多损坏(例如图1b)。

图2提供了在伦敦St.Thomas’ Hospital优化的、用于3D图像SVR重建的典型T2W SSTSE 1.5和3 T方案的示例。一般而言,每个堆栈的平均采集时间取决于扫描区域的大小(以及受试者的GA),对于1.5 T数据集(图2),不超过120 s。

图2. 在伦敦St.Thomas’ Hospital优化的、用于基于3D SVR重建的抗运动T2W SSTSE 1.5和3 T方案。GA,孕龄;SAR,比吸收率。 查看原图 ↗

胎儿MRI的运动校正技术

胎儿脑

尽管受到运动损坏,胎儿脑在2D MRI切片中的良好显示(图1a)仍为胎儿脑异常的诊断带来了显著的附加价值。1,8 临床所需的多正交视图堆栈(图3a.)为基于SVR的运动校正算法提供了理想输入数据。

用于3D胎儿脑重建的SVR方法的主要步骤如图3a所示。首先,输入堆栈在掩蔽的脑区域进行全局对齐,随后生成平均初始3D图像(步骤0)。接下来,将每个2D切片刚性配准到当前估计的3D图像(步骤1)。9–11 随后由所有已对齐切片超分辨率重建12–15新的3D图像(步骤2)。然后重复交错的步骤1–2若干次,以确保收敛到稳定解。该方法还包括剔除未对齐或损坏的切片(例如图1d)。

超分辨率技术消除了采集的胎儿MRI中由相对较大层厚引入的模糊。尽管它不一定提高采集的平面内切片分辨率(例如1.25 × 1.25 mm),但重建过程中MRI信号的插值会产生高分辨率各向同性图像(例如0.75 mm)。补充视频2和补充图1中给出了一组3D SVR脑重建示例(使用来自14的SVR方法实现执行)。重建3D图像的质量不直接受场强影响,而是取决于原始堆栈中的运动量和SNR水平以及过采样程度。与薄层(<3 mm)相比,厚层(4–5 mm)会增加更多模糊并提供更稀疏的空间覆盖,从而导致重建3D图像质量较低(补充图2)。增加堆栈数量(图3b)通常会改善小特征和严重运动病例的重建质量。

点击此处获取补充数据文件。

点击此处获取补充数据文件。

点击此处获取补充数据文件。

图3. 胎儿脑MRI的3D SVR重建。本示例基于在伦敦圣托马斯医院采集的MRI数据集,并使用经典SVR进行重建。SVR,层-容积配准 查看原图 ↗

胎儿体部

近期,基于SVR的重建技术已被应用于重建胎儿体部的3D容积。基于刚性运动模型的经典SVR方法仅关注胎儿脑,因为脑(及颅骨)不发生形变。然而,这对于弹性胎儿体部器官并不成立,这些器官可因脊柱的弯曲和伸展而以非刚性方式发生形变(图4a)。这促使刚性SVR技术被扩展为使用基于图像块的方法来校正形变。16

胎儿体部器官的重建最初是使用标准刚性SVR算法进行探索的,用于重建胎儿胸部17并可视化先天性心脏病中的3D静态胎儿心血管结构。18通过可变形SVR(DSVR)纳入对胎儿体部非刚性形变的校正,获得了更优的图像质量19,见图4b-c。DSVR重建图像可在3D中良好显示各种体部器官,如20、补充视频3以及补充图3和4所示。

点击此处获取补充数据文件。

点击此处获取补充数据文件。

点击此处获取补充数据文件。

图4. 胎儿体部MRI的3D DSVR重建。这些示例基于在伦敦圣托马斯医院采集的MRI数据集。DSVR,可变形SVR;SVR,层-容积配准。 查看原图 ↗

人工智能用于3D胎儿MRI

直到最近,经典SVR运动校正技术仍存在若干挑战,限制了其在常规临床应用中的使用。首先,极端的胎儿运动可导致重建失败(例如图5a),因为经典配准方法无法解析大角度(>60°)旋转。这主要影响一小部分早孕期(图1c)和羊水过多病例。其次,经典SVR(图2A)和DSVR流程需要在输入层叠上手动绘制脑或体部掩膜(使用ITK-SNAP 21等软件工具)、手动选择层叠,并手动将输出的3D图像重新定向至标准放射学平面(图5b)。这些手动任务耗时且依赖操作者,可能导致临床工作流程效率低下且不一致。

人工智能(AI)的最新进展为这些问题提供了可行的解决方案。AI技术在胎儿脑的自动定位和分割方面已被证明极为成功。22,23 个体脑切片以及三维体积自动重定向至标准方向也已实现。24,25 这些技术允许全自动校正过度的胎儿运动,并将重建体积重定向至标准平面。这项工作还扩展到胎儿躯体的可变形运动校正和重建26(图5c)。这些自动化步骤的主要优势在于,它们允许在大规模研究中高效、常规地使用和无偏倚地重建多个胎儿。此前,需要手动输入的标准SVR重建可能需要30分钟以上(当考虑到除计算时间之外的手动干预时),而现在可以在没有用户输入的情况下每天自动重建数十或数百个病例。然而,当前的自动化方法在多胎妊娠MRI扫描中存在多个胎儿脑/躯体时受到限制,这一问题尚未得到解决。

图5. 基于经典SVR的胎儿MRI方法的主要局限性以及基于AI的自动重建解决方案的结构。本示例基于伦敦圣托马斯医院采集的MRI数据集。AI,人工智能;SVR,切片到体积配准。 查看原图 ↗

运动校正胎儿MRI对临床实践的优势

扫描时间

一般来说,胎儿脑和躯体的异常可以通过2D MRI正确诊断,然而,这需要在三个标准方向上准确手动定位采集平面。随着胎儿移动,脑在扫描过程中可能改变方向,通常需要重复采集。相反,使用SVR方法,所得的运动校正体积可以重定向以显示通过脑的任何所需平面。这是有利的,因为对扫描操作者的图像规划要求不那么严格,且重复扫描的需求更少。因此,这可能导致更高效的扫描方案并显著减少总扫描时间。

诊断与预后

3D胎儿MRI还可以更好地显示更微妙的异常和精细解剖结构,因为它提供了解剖结构的连续体积表示。图6a-b显示了脑和肾病变的原始2D运动损坏堆栈与3D SVR和DSVR图像之间的比较。改善的诊断信息内容已在多项研究中得到定量证实。例如,与采集的运动损坏2D MRI切片堆栈相比,心脏的3D重建(图6c)在86个胎儿中将可视化的心血管结构数量从53%增加到97%。18 体积重建在90%的先天性心血管病例中提高了诊断信心。

在其他有前景的应用中,包括基于胎儿面部三维渲染的颅面畸形诊断(图6d)。27 三维渲染还可能有助于胎儿和新生儿身体20(图6e)及头颈部28异常的手术修复规划。然而,需要更多临床研究来识别和确认各种病理在诊断和治疗规划方面的改善。此外,尚未有报道评估低重建质量可能导致诊断内容减少的情况的研究。

图6. 用于诊断目的的三维重建图像可视化。示例基于在伦敦圣托马斯医院获取的MRI数据。 查看原图 ↗

定量分析

三维胎儿MRI在提高生物测量和体积测量准确性方面也具有优势。由于扫描期间胎儿运动,获取的二维平面往往不准确(例如图7a),这可能导致二维生物测量不可靠。作为替代方案,三维图像可以重新定向到任意平面。29和30的研究结果证实,来自二维采集(具有精确的放射学采集平面)的二维胎儿脑生物测量与三维重建高度相关,无显著差异。

重建图像的体积连续性允许在三维中准确描绘结构,并可能实现器官和病变的一致体积测量。相比之下,在原始图像栈31上进行的传统二维逐层分割对运动敏感(图7c)。肺体积测量用于预测先天性膈疝32的出生后肺功能,并可能在新型胎儿外科干预的患者选择中发挥重要作用。33 34报道,对于轻度至中度运动的病例,来自二维切片栈的胎儿肺体积测量与DSVR运动校正三维图像19的体积测量高度一致。胎儿胸腺、肺和脑的体积测量值降低也与早产高风险相关。35–37 图7b显示了用于37的三维脑体积分割输出的格式。

目前临床接受的二维胎儿MRI和超声衍生体积测量本质上容易出错,不能被视为精确的金标准。这使得对严重运动数据集的三维MRI衍生测量进行验证成为一项具有挑战性的任务。然而,在三维MRI体积测量可用于临床实践之前,有必要确立其与传统二维胎儿MRI和超声之间存在一致的相关性。

图7. 三维MRI重建图像现有定量应用的示例。示例基于在伦敦圣托马斯医院获取的MRI数据集。SVR,切片到体积配准。 查看原图 ↗

临床转化

目前,所有基于SVR的重建工具仍处于研究阶段,尚未商业化。除了监管机构的广泛评估和批准外,临床转化还取决于一系列实际方面。这包括重建质量的一致性、可用的用户界面、符合数据保护法规、合理的处理时间和最少的手动输入。

最佳SVR重建方法的选择

在过去十年中,已有许多提出的SVR实现方案,分别针对该算法的不同组成部分。然而,所有方法的核心都依赖于相同的理论(图3a)。目前有三个主要的现代工具箱提供胎儿脑重建功能。它们在不同临床研究机构中被定期使用,并且可以轻松安装在普通工作站上:MialSRTK:瑞士洛桑大学,基于15,38

NiftyMIC:英国伦敦大学学院,基于23,39

SVRTK:英国伦敦国王学院,基于14,40

在过去十年中,已有许多工作比较了不同SVR方法的各种方面(例如41)。总体而言,这些方法对胎儿脑解剖结构产生相似的结果,并且需要手动创建的三维脑掩膜作为输入。工具箱的选择主要取决于对特定方法的偏好和重建时间限制。为证实这一发现,图8展示了这些方法在一个小幅运动正常28周GA数据集上的示例比较,该数据集包含六个堆栈(1.5 T SSTSE协议,图2)。图像特征的锐利度取决于所实现方法的具体细节。

预期处理时间在将这些方法整合到临床实践中起着关键作用。据我们所知,尚无关于这些方法在时间方面的比较报道。总体而言,处理时间取决于硬件和方法的实现。在这个于仅使用CPU的普通工作站上(通过专用工具箱CPU Docker)进行的示例中,remialSRTK、NiftyMIC和SVRTK的重建时间分别为112、55和5分钟。SVRTK重建明显更快,因为它基于并行化和快速C++图像处理库,而不像基于Python的NiftyMIC。处理速度与输出图像质量没有直接关系。此外,NiftyMIC 39和SVRTK 40工具箱为自动脑掩膜和重定向到标准空间提供了直接选项,以实现完全自动化重建,无需任何手动输入。对于该数据集,NiftyMIC中的自动脑掩膜(在CPU Docker上)使总处理时间增加了126分钟,而在SVRTK中脑掩膜和重定向仅需4分钟。此外,SVRTK软件包还提供胎儿身体手动和自动DSVR重建的功能。19

图8. 胎儿脑MRI不同SVR重建工具箱的比较。SVR,层到体积配准。 查看原图 ↗

用户界面、硬件要求和安装

这三个工具箱通过Docker容器分发,仅需最少的安装步骤,重建过程可直接通过命令行启动。然而,将SVR工具整合到医院环境中需要为没有技术背景的临床医生提供专用用户界面。遵守数据保护法规还意味着所有重建都应在具有受保护数据存储和传输的安全服务器上进行。总处理时间(图8)是另一个关键方面。

图9a展示了伦敦圣托马斯医院为研究目的设计的SVR/DSVR重建流程。临床医生可以直接进行胎儿大脑14和身体18,19的3D重建。在该流程中,用户启动一个脚本,将输入的2D T2W SSTSE胎儿MRI图像堆栈复制到服务器,并启动SVR或DSVR重建过程。输出的重建3D图像自动存储在专用的安全本地存储数据库中,用于可视化和诊断。如果未选择自动掩膜42,则仅需最少的用户输入和一个图像堆栈的掩膜。

另一个未来方向是使用扫描仪控制台与远程工作站之间的厂商特定连接接口(如飞利浦研究成像开发环境),从而允许在扫描过程中直接启动SVR重建,并将输出的3D图像作为患者数据集的一部分进行存储。

图9b显示了在常规工作站上使用六个图像堆栈(1.5 T SSTSE方案,图2)对胎儿大脑进行SVR重建14的预期时间。由于大脑尺寸较大,重建时间随孕龄增加而增加。值得注意的是,除主要SVR重建外,自动化SVR步骤约需4分钟。对于图像堆栈较少或层厚较大的数据集,由于总切片数较少,重建将更快。

图9. 胎儿MRI的3D SVR/DSVR重建整合到临床环境的示例(伦敦圣托马斯医院围产期影像科)。SVR,切片到容积配准。 查看原图 ↗

输入数据要求、图像质量、局限性和验证

作为 ongoing 研究项目的一部分,自2018年以来,伦敦圣托马斯医院围产期影像科采集的所有胎儿大脑MRI数据集均常规进行SVR重建。图10b显示了2018年至2021年期间1070例重建的3D胎儿大脑重建图像质量分布,涵盖临床报告和研究项目。数据集使用经典SVR方法14进行处理,采用手动或自动掩膜。采集在1.5T飞利浦Ingenia扫描仪和3T飞利浦Achieva扫描仪上使用躯干接收阵列线圈和T2W SSTSE方案(图2)进行,每个数据集包含5–9个图像堆栈。

图10a所示的分级方案范围为1–4级,其中4级对应高质量图像。2–3级(轻度或严重SNR和对比度损失)的原因主要与原始2D图像堆栈质量低有关。分级< 1.5的重建失败主要由大角度旋转(>60°)引起。分级≥ 2.5的病例被认为可接受用于临床判读,约96%的SVR重建成功。病例的孕龄范围为20至38周(图10c),晚期孕龄数据集的平均质量分级更高(图10d)。

此外,自2016年以来,作为伦敦圣托马斯医院临床胎儿心脏磁共振(CMR)服务的一部分,已对T2W黑血数据集进行了400多例胎儿胸部(主要为主动脉弓异常)的SVR/DSVR重建。18 更近期,DSVR方法也已常规用于胎儿身体MRI数据集20,报告质量分级通过率足够高(>90%)。19

然而,即使对于重建质量高的病例,目前临床报告仍应包括对原始二维图像堆栈的检查,直到临床研究确认三维重建MRI用于诊断的可靠性。这将防止因原始切片或 averaging 传播的伪影而导致的任何潜在假象发现或信息遗漏。

三维SVR/DSVR目前的局限性包括因严重运动或极端强度伪影导致的对比度不佳(图10a)。此外,动态器官运动(如吞咽)的平均化可能限制胃肠道异常的诊断,如食管闭锁和肠梗阻。由于运动轨迹极大,现有实现均不适合四肢的重建。此外,在输入图像质量低、极端异常或多胎妊娠的情况下,自动掩膜和重新定向步骤可能失败。

总体而言,将基于SVR的运动校正工具大规模整合到临床实践中,需要进一步优化现有工具和用户界面、进行广泛验证以及规范处理和诊断方案。尽管这不应给临床中心带来极端成本影响,但额外研究将需要大量的研究和软件开发投入以及多中心验证研究。

图10. 在大规模(约1000例)单中心队列中对胎儿脑MRI经典三维SVR 14重建进行定性评估的示例。数据集在伦敦圣托马斯医院采集和处理。GA,孕龄;SVR,切片到容积配准。 查看原图 ↗

当前研究与未来临床实践

当前三维MRI研究项目主要集中于SVR重建图像中器官分割的自动化、正常和异常发育模型(图谱、生长曲线图)的定义,以及针对高级MRI采集方案的SVR方法优化。

胎儿发育的三维MRI图谱、体积学生长曲线图

已有若干发布的三维MRI图谱定义了正常43,44和异常45胎儿脑发育。它们由配准的三维SVR重建图像平均生成的每周模板组成。例如,图11a展示了覆盖22至36周范围46的胎儿脑三维T2W时空图谱,该图谱由发育人类连接组项目(dHCP)47数据集生成。还有发布的胎儿心脏48(图11b)和肺49的三维MRI图谱。除了教育目的外,三维MRI图谱广泛用于基于标签传播的自动配准引导分割。41,45,49

源自三维MRI的三维器官分割已被用于建模胎儿脑37,50和其他器官如肺35,49(图11c)的正常和异常发育生长曲线图。然而,由于缺乏系统分割方案和分割方法的差异,胎儿器官体积学普遍缺乏标准化生长模型。

图11. 三维MRI衍生的胎儿发育模型示例。GA,孕龄;SVR,切片到容积配准。 查看原图 ↗

用于自动三维胎儿器官分割的人工智能

大多数已提出的用于3D MRI图像自动分割的现代方法都基于人工智能(AI)方法,特别是3D卷积神经网络。近期的FeTA挑战赛41表明,AI在T2W 3D SVR图像中胎儿脑组织分割方面提供了稳健的性能。AI解决方案可适用于正常51,52和异常解剖结构。53当前的挑战是缺乏标准化的手动参考标准3D分割以及不同采集方案之间的协调统一。

用于胎儿MRI的先进基于SVR的重建方法

除了用于T2W胎儿脑部和体部成像的3D静态运动校正工具外,还有多种基于SVR的解决方案用于先进MRI采集方法。这些包括胎儿脑扩散MRI、54–56 4D + 速度电影心脏成像57,58以及定量3D和4D胎儿及胎盘T2*。59 图12a-c展示了这些工作中的若干图示。整个子宫的重建16,19,59(图12d)还提供了关于宫外结构的信息,如脐带、胎盘、宫颈和羊水。

图12. 用于先进胎儿MRI采集方法的基于SVR的解决方案示例。SVR,层到体积配准。 查看原图 ↗

结论

胎儿MRI是超声的补充成像方法,为产前病变和异常的诊断提供额外信息。然而,即使有了快速采集序列的进步,胎儿MRI数据集本质上仍受到运动的干扰,这限制了2D切片堆栈中的体积信息。

基于SVR的运动校正方法为胎儿脑部和体部的各向同性高分辨率静态图像进行3D重建提供了手段。重建的3D MRI图像可在任意平面重新定向,并通过体积渲染进行可视化,从而实现对胎儿解剖结构的完整体积呈现。3D胎儿MRI可以提高诊断准确性和信心,并使真正的3D分割成为可能,用于器官体积的量化,而这在使用传统的、容易出错的2D逐层成像方案时是无法实现的。3D SVR/DSVR方法还有望通过消除手动将采集平面重新调整至标准放射学视图的需要来缩短采集时间。

由于胎儿脑部和体部的结构T2加权成像是对胎儿MRI的基础,基于3D SVR的静态运动校正和自动化处理在过去15年中已被广泛研究。利用SVR方法生成运动校正体积的研究已显示出很大潜力,3D胎儿MRI正逐步走向临床验证。要常规整合到临床环境中,需要对SVR重建方法的不同组成部分进行广泛评估和标准化,并优化现有软件解决方案。

引用

  1. Uus AU, Egloff Collado A, Roberts TA, et al. Retrospective motion correction in foetal MRI for clinical applications: existing methods, applications and integration into clinical practice. Br J Radiol. 2022. PMID: 35834425. doi:10.1259/bjr.20220071
  2. 全文:PMC7614695(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7614695/

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。