文献速递胸部MR

深度学习超分辨率用于胸部T1加权增强梯度回波成像

Application of deep learning-based super-resolution to T1-weighted postcontrast gradient echo imaging of the chest.
PubMed 文献 · Radiol Med · 2023-01-07

回顾性纳入50例1.5T胸部增强VIBE患者,应用深度学习超分辨率联合去噪算法重建(VIBEDL),并与标准VIBE(VIBES)比较。两位放射科医师独立定性评分,VIBEDL在软组织、血管、支气管、淋巴结锐利度、噪声、伪影及诊断信心上均显著优于VIBES(均P<0.001),肺病灶锐利度和可检测性也显著提高(均P<0.001),病灶直径无显著差异,模拟采集时间平均缩短2.1秒(P<0.001)。

要点

  • 深度学习超分辨率重建可提升胸部VIBE图像锐利度、降低噪声和伪影,提高诊断信心。
  • 肺病灶锐利度和可检测性显著改善,但病灶直径测量无显著变化,不影响大小评估。
  • 该后处理可模拟缩短采集时间约2.1秒,且无需改变原有采集参数和工作流程。

关键影像表现/征象

  • VIBEDL在软组织、支气管结构、血管和淋巴结锐利度上均评为4分(4-4),显著高于VIBES的3分(P<0.001)。
  • VIBEDL噪声中位数4(3-4)显著低于VIBES的3(2-3),严重伪影中位数3(3-4)显著低于VIBES的3(3-3)(均P<0.001)。
  • 心肌运动伪影在VIBEDL中位数4(3-4)显著低于VIBES的3(3-3)(P<0.001)。
  • 肺病灶锐利度和可检测性在VIBEDL中位数均为3(3-3),显著高于VIBES的2(2-2)(均P<0.001)。

诊断标准与关键数值

  • 图像质量采用Likert 4分制:伪影(1广泛伪影至4无可见伪影)、噪声(1广泛噪声至4无可见噪声)、锐利度(1严重模糊至4边缘清晰)、心肌运动伪影(1过度至4无可见)、诊断信心(1不可诊断至4优秀)。
  • 肺病灶可检测性采用Likert 4分制:1病灶边界不可检测至4边界检测优秀。
  • 诊断信心VIBEDL中位数4(4-4)显著高于VIBES的3(3-3)(P<0.001)。
  • 病灶直径测量:读者1 VIBEDL和VIBES中位数均为4 mm(2-5.5)(P=0.157);读者2 VIBES为4 mm(2-6),VIBEDL为4 mm(2-5.5)(P=0.705)。
  • 模拟采集时间:VIBES平均15.2±1.0秒,VIBEDL平均13.1±0.8秒,平均缩短2.1秒(P<0.001)。

临床应用与阅片要点

  • 可在不改变采集参数的情况下,通过后处理提升胸部VIBE增强图像质量,尤其适用于 Breath-hold 困难患者。
  • 肺病灶锐利度和可检测性提高有助于小病灶识别,但病灶直径测量与标准重建无显著差异,报告时仍应基于原始图像或注明重建方法。
  • 心肌运动伪影和噪声降低可改善纵隔及肺门结构评估,但需注意深度学习重建可能改变图像纹理,需结合原始图像综合判断。

局限性

  • 缺乏对VIBEDL与VIBES噪声水平/信噪比的定量比较。
  • 仅在1.5T MRI上验证,未评估更高场强下的可行性。
  • 样本量有限(50例),且为回顾性研究设计。
  • VIBEDL图像为回顾性计算,采集协议为临床目的设计。
全文中译12 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:Radiol Med. 2023 Jan 7;128(2):184–90. doi: 10.1007/s11547-022-01587-1

引言

磁共振成像(MRI)是评估胸部解剖结构和器官的重要且常用的技术,已被确立为计算机断层扫描的重要补充[1–3]。胸部MRI的一个挑战是对于呼吸和心跳所致运动具有足够的稳健性[4]。因此,由于采集时间长所致的运动,使用常规MR序列(如标准自旋回波序列)通常不切实际[5]。一种已确立的替代方案是T1加权三维容积插值屏气检查(VIBE)-梯度回波(GRE)成像序列,其有望缩短采集时间,并常用于常规临床实践中对胸部结构进行对比增强评估[1, 6, 7]。该序列的缺点是在图像采集期间需要屏气,这对许多患者而言是一项重大挑战,尤其是肺功能减退或依从性受损的患者。针对该问题有几种方法:一种常用选择是呼吸门控[8]。该方法的缺点可能是检查时间显著延长[9]。另一种常用方法可缩短所需屏气时间,即“并行采集技术”(PAT)[10, 11]。该方法的缺点是信噪比显著降低[10]。除去噪外,一种可能的解决方案已在既往腹部成像研究中通过应用基于深度学习的超分辨率算法得到证明,该算法包括通过部分傅里叶技术模拟采集时间缩短[12–14]。

本研究的目的是分析和评估这种基于深度学习的超分辨率后处理算法在包括PAT的胸部对比增强MRI中对图像增强和模拟采集时间缩短的效果。

方法

研究设计

这是一项回顾性、单中心研究,已获当地机构委员会批准。该研究按照1964年《赫尔辛基宣言》及其2013年最新修订版所规定的伦理标准进行。豁免了个体受试者的知情同意。

本研究纳入2021年4月至2022年1月期间接受胸部和心脏对比增强MRI的50例患者。通过使用机构放射信息系统进行检索确定这些患者。

MRI采集

MRI采集在1.5 T MRI扫描仪(MAGNETOM Aera,Siemens Healthcare,Erlangen,Germany)上进行。患者取仰卧位,使用18通道体线圈和32通道脊柱线圈。检查期间,患者根据体重接受团注对比剂,流速为1.5 ml/s(钆布醇,0.1 mmol/kg,Gadovist,Bayer Healthcare;Leverkusen,Germany)。作为临床检查方案的一部分,在注射结束后三分钟采集对比增强后轴位T1加权VIBE序列,使用以下成像参数:重复时间(TR)6.66 ms,回波时间(TE1/TE2)2.39/4.77 ms,体素大小1.2 × 1.2 × 3 mm,层厚3 mm,翻转角10°,矩阵大小182 × 320,视野317 × 350,并行成像因子4,采集时间(TA)16 s,相位部分傅里叶7/8,层面部分傅里叶7/8。

使用基于深度学习的超分辨率和迭代去噪技术进行回顾性处理

为评估所采用的图像增强技术并模拟更激进的部分傅里叶采集,在扫描仪上安装了一个原型处理软件包,允许使用临床序列采集的相同原始数据进行回顾性重建。由于所选VIBE协议的相位编码步骤在层方向上恰好是顺序采集的,因此可以通过丢弃原始采集结束时连续采集的数据来模拟对应于6/8层部分傅里叶因子的较短采集。

第一步,使用与传统采集相同的算法重建复数图像。利用从扫描仪集成重建框架中可用的调整数据导出的额外噪声信息,然后使用参考文献[13, 14]中详述的算法对图像进行去噪。下一步,使用参考文献[12]中概述的超分辨率算法在相位编码方向上以因子2对图像进行插值。除超分辨率外,所采用的网络在监督训练过程中通过在频域中对网络输入进行零填充,被训练为对6/8层部分傅里叶因子执行部分傅里叶重建。

上述VIBE序列的成像参数未因重建过程而改变。

图像评估

图像评估使用临床放射学工作站(Centricity PACS RA1000,GE Healthcare,Milwaukee,WI)进行。VIBES和VIBEDL图像由两名各具有三年全身MRI经验的放射科医师进行分析。图像序列以随机顺序独立评估,并对临床数据设盲。使用1至4分的Likert量表评估以下标准:图像伪影的存在和程度(1,广泛伪影;2,伪影严重妨碍图像质量;3,伪影轻度妨碍图像质量;4,无可见伪影),图像噪声的存在和程度(1,广泛噪声;2,噪声严重妨碍图像质量;3,噪声轻度妨碍图像质量;4,无可见噪声),软组织边界、支气管结构、血管和淋巴结的锐利度(1,严重模糊;2,重度模糊;3,轻度模糊;4,无模糊且边缘锐利)。此外,还评估了心肌运动伪影(1,过度心肌运动伪影;2,心肌运动伪影严重妨碍图像质量;3,心肌运动伪影轻度妨碍图像质量;4,无可见心肌运动伪影)和诊断信心(1,非诊断性;2,图像质量差;3,图像质量好;4,图像质量极好)。

在存在可见肺部病变的情况下,评估每位患者的最大病变,测量其最大直径,并再次使用1至4分的Likert量表评估病变可检测性(1,病变边界不可检测;2,病变边界可检测性差;3,病变边界可检测性好;4,病变边界可检测性极好)。

统计学评估

统计分析使用统计软件(SPSS Statistics Version 28,IBM;Armonk,NY)进行。参数数据以均值 ± 标准差表示。非参数数据以中位数和四分位距表示。采用Wilcoxon符号秩检验比较VIBES与VIBEDL之间的有序分类数据。使用线性加权Cohen κ计算阅片者间一致性。P值低于0.05被认为具有显著性。

结果

患者队列

所有50例患者的图像数据均成功评估。患者平均年龄为44 ± 18岁,范围为18至84岁。MRI最常见的临床指征是疑似心肌炎。在25例中,至少可检测到一个肺部病灶。更多信息见表1。

表1 患者特征 查看原表 ↗

阅片者间变异性

关于图像质量和肺部病灶的评估,阅片者间一致性几乎完美,Cohen κ为0.82。因此,以下仅展示阅片者1的结果。阅片者2的结果见表2和表3。

表2 图像质量和诊断信心的评估 查看原表 ↗
表3 肺部病灶的图像质量和诊断信心的评估 查看原表 ↗

采集时间

一个VIBES序列的平均采集时间为15.2 ± 1.0 s。由于所采用的VIBE协议在层面方向上顺序采集相位编码步骤,可通过在采集结束时省略相应数据来模拟在层面方向上具有更高部分傅里叶因子的采集。这已在层面方向上以6/8的部分傅里叶因子实施,对应于所采用的基于深度学习的超分辨率网络的训练。一个VIBEDL序列的平均模拟采集时间为13.1 ± 0.8。通过这种方式,平均可实现2.1 s的采集时间缩短(P < 0.001)。

图像质量的定性评估

VIBEDL中软组织以及支气管结构、血管和淋巴结的锐利度评分显著高于VIBES。相应地,软组织锐利度从中位数3(3–3)提高至4(4–4)(P < 0.001),支气管结构锐利度从中位数3(2.75–3)提高至4(4–4)(P < 0.001),血管锐利度被评为改善,从中位数3(3–3)提高至4(4–4)(P < 0.001),淋巴结锐利度亦如此(从中位数3(2.75–3)提高至4(4–4),P < 0.001)。

与VIBES相比,VIBEDL的噪声评分也更低,中位数分别为4(3–4)对3(2–3)(P < 0.001),伪影严重程度更轻,中位数为3(3–4)对3(3–3)(P < 0.001)。此外,VIBEDL的心肌运动伪影也被发现减少,中位数从3(3–3)提高至4(3–4)(P < 0.001)。

总体而言,与VIBES相比,VIBEDL的图像诊断信心被评为改善,中位数从3(3–3)提高至4(4–4)。

图1展示了VIBES和VIBEDL的示例图像。

图1 示例数据集的重建比较。左侧描绘了传统重建(VIBES),而右侧展示了使用超分辨率、去噪和模拟部分傅里叶采集的重建(VIBEDL)。VIBEDL数据集显示噪声和伪影减少,解剖结构(例如血管)的锐利度增强 查看原图 ↗

肺部病灶的比较

在纳入的50例患者中,25例在采集图像中显示至少一处肺部病变。如表1所示,23例患者发现至少一个肺结节。1例中可检测到的最大肺部病变为脓肿;另1例中最大病变出现在肺泡炎背景下,还有1例出现在肺膨胀不全背景下。

对病变锐利度和可检测性的定性评估显示,VIBEDL显著改善,中位数为3(3–3),而VIBES中位数为2(2–2),两个类别和两位阅片者均如此(P < 0.001)。结果见表3。

如表4所示,两位阅片者比较VIBEDL与VIBES时,均未发现病变大小的显著差异。阅片者1测得VIBEDL和标准VIBE的中位肺部病变直径均为4 mm(2–5.5)(P = 0.157)。阅片者2测得VIBES的中位病变直径为4 mm(2–6),VIBEDL为4 mm(2–5.5)(P = 0.705)。

图2显示了VIBES和VIBEDL中右肺上叶肺脓肿的示例图片。

表4 肺部病变直径评估(毫米) 查看原表 ↗
图2 示例数据集的 reconstructions 比较。左侧显示常规重建(VIBES),而右侧显示使用超分辨率、去噪和模拟部分傅里叶采集的重建(VIBEDL)。在右肺上叶,检测到一处肺部病变,诊断分类为脓肿。在VIBEDL图像中,与VIBES图像相比,该病变显示出增强的锐利度和对比度 查看原图 ↗

讨论

本研究分析50例采用T1加权VIBE成像获得的胸部增强后数据集,评估了一种基于深度学习的超分辨率方法,该方法结合迭代去噪并模拟更激进的部分傅里叶采集(对应更短采集时间)。与标准VIBE相比,评估增强VIBE图像发现,各种胸部结构的锐利度改善、噪声水平降低、严重伪影减少以及诊断信心提高。

常规笛卡尔T1加权GRE-VIBE序列是用于评估胸部结构和病变的标准MR序列之一[6, 15]。GRE成像能够在临床常规和研究中实现快速高分辨率图像采集。与自旋回波或快速自旋回波成像相比,GRE成像的主要优势是显著减少运动伪影[16]。相反,GRE成像的一个关键劣势是在存在磁场不均匀时对磁敏感伪影的脆弱性增加[16]。笛卡尔VIBE成像的另一个劣势是需要屏气,尤其是在采集胸部图像时。这一问题在检查重症患者、儿童或老年患者时尤为突出。

应对这些挑战的一种可能方法是应用自由呼吸3D-超短回波时间(UTE)VIBE序列,如Olthof等所示[17]。另一种可能性是使用带有k空间加权图像对比(KWIC)重建的径向GRE序列[18]。然而,这些技术的主要劣势是采集时间显著增加。此外,有报道称使用径向读出而非笛卡尔读出时血管-组织对比度降低[19]。

一种常用于缩短采集时间并尽量减少所需屏气时间的技术是并行成像[20]。然而,充分的并行成像以缩短屏气时间的一个重要缺点是需要较高的并行成像因子,这会导致图像质量和SNR下降。除仅进行去噪外,过去也曾讨论过基于深度学习的方法来解决这一问题,包括缩短采集时间[12]。

因此,本研究的目的是证明基于深度学习的超分辨率重建方法在胸部VIBE成像中降低噪声和改善图像质量的可行性和可靠性。此外,如图1所示,与VIBES相比,VIBEDL中伪影的出现和程度可以减少。如上所述,我们发现应用改进的重建方法时胸部结构的锐利度增强。还可以观察到运动伪影的减少,特别是心脏运动伪影。

所评估方法的一个优点是使用简单。该工作流程可以整合到扫描仪架构中,而无需改变已经建立和使用的工作流程。未来通过模拟更激进的部分傅里叶设置,可能进一步缩短采集时间。

此外,这项工作概述了深度学习图像重建的潜力,这将在未来对放射学工作流程产生巨大影响。图像重建、缩短采集时间以及改善图像质量方面的优势已在多个领域得到证明,尤其是在腹盆部和肌肉骨骼成像中[21–25]。在胸部成像中,深度学习的应用大多集中在心脏成像,特别是胸部计算机断层扫描[26–29]。因此,本研究能够成功突出超分辨率应用在MR胸部成像中的益处。这对于需要因慢性疾病(如囊性纤维化[30])进行肺部常规监测的年轻患者的肺部MR协议开发可能至关重要。

我们承认本研究存在若干局限性。需要考虑的一个事实是缺乏对VIBEDL与VIBES相比噪声水平或SNR的定量比较。进一步的软件开发将是必要的,以实现SNR的定量分析。

此外,该方法的可行性仅在1.5 T MRI上进行了研究。因此,尚无在更高场强中使用该方法经验。另一个局限性是纳入患者数量有限。此外,本研究为回顾性研究设计。因此,采集协议是为临床目的设计的,VIBEDL图像是回顾性计算的。

总之,在胸部T1加权VIBE增强后成像中,使用一种新型基于深度学习的超分辨率技术实现了图像质量、噪声和诊断信心的显著改善。未来,这一发现可能在不损失图像质量的情况下进一步缩短采集时间。

引用

  1. Maennlin, Wessling, Herrmann, et al. Application of deep learning-based super-resolution to T1-weighted postcontrast gradient echo imaging of the chest. Radiol Med. 2023. PMID: 36609662. doi:10.1007/s11547-022-01587-1
  2. 全文:PMC9938811(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9938811/

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。