多解码器水脂分离神经网络用减少的回波数估计肝脏PDFF
本研究提出多解码器水脂分离网络(MDWF-Net),仅用3回波化学位移编码MRI估计肝脏质子密度脂肪分数(PDFF)。在134例训练、13例前瞻性测试中,MDWF-Net与6回波图割参考方法一致性良好(回归斜率0.94,R²=0.97),优于U-Net,且扫描时间从120秒缩短至54秒。
要点
- 3回波MDWF-Net肝脏PDFF与6回波图割参考方法高度一致,回归斜率0.94、R²=0.97。
- MDWF-Net在ROI PDFF标准差上与参考方法无显著差异(p=0.53),而U-Net有差异(p=0.025)。
- 3回波序列扫描时间从120秒降至54秒,减少屏气次数,便于临床推广。
核心结论
- MDWF-Net仅用3回波即可实现与6回波图割参考方法相当的肝脏PDFF估计精度,扫描时间减半。
研究设计与样本
- 单中心回顾性训练(134例,2479层)联合前瞻性测试(13例,290层),1.5T MRI,6回波图割为参考标准。
- 训练用前3回波数据,测试用3回波缩短TR序列(TR优化至13.3ms),并与标准6回波协议对比。
关键影像表现/征象
- MDWF-Net PDFF图视觉质量与图割参考相近(整体IQ评分3.54±0.86 vs 3.55±0.98),伪影评分略高(3.66±0.61 vs 3.56±0.66)。
- U-Net在左肝前部出现交换伪影,MDWF-Net可减轻该伪影;两者R2*图均较参考模糊。
- 短TR(13.3ms)3回波序列未观察到明显T1加权效应,MDWF-Net在右后叶和左叶PDFF偏倚分别为1.53%和1.13%。
诊断标准与关键数值
- MDWF-Net与图割参考ROI PDFF均值回归斜率0.94、R²=0.97;Bland-Altman偏倚0.24%,一致性界限−2.36%至2.84%。
- U-Net回归斜率0.86、R²=0.93;偏倚−0.27%,一致性界限−4.20%至3.66%。
- ROI PDFF标准差ANOVA事后检验:U-Net与图割差异显著(p=0.0250),MDWF-Net与图割无显著差异(p=0.5323)。
临床应用与阅片要点
- 3回波MDWF-Net可用于肝脏PDFF定量,扫描时间短、屏气次数少,适合NAFLD脂肪定量评估。
- 报告PDFF时注意R2*图因回波减少而模糊,不宜直接用于铁过载评估;短TR需关注T1加权偏倚可能。
- U-Net可能出现交换伪影,MDWF-Net多解码器结构可减轻,但需多 vendor 验证后再推广。
局限性
- 单中心研究,前瞻性测试样本仅13例,短TR受试者数量有限。
- 未在体模及不同厂商扫描仪上验证鲁棒性,R2*和Δf的临床价值需进一步评估。
全文中译16 节 · 点击展开
引言
非酒精性脂肪性肝病(NAFLD)是一组疾病谱,范围从单纯性脂肪变性到非酒精性脂肪性肝炎和肝硬化[1]。NAFLD与肝脏脂肪含量直接相关[1, 2],尽管活检是评估肝脏脂肪的参考方法,但基于化学位移编码(CSE)MRI的无创方法已被越来越多地使用。该技术可以估算质子密度脂肪分数(PDFF),并已在病理学对照下验证用于确定NAFLD患者肝脏脂肪变性的存在及其分级[1]。
为准确估算PDFF,标准化技术必须解决水-脂分离问题,同时考虑一系列混杂因素的影响,例如R2*(= 1/T2*)信号衰减率、偏共振场图(Δf)和多峰脂肪谱,因为它们对信号具有非线性效应,使信号分离复杂化[3–5]。
已有多种处理这些混杂因素的水-脂分离算法被提出[3, 6–8]。一种基于图割的方法由VARPRO公式和具有相当稳健性和准确性的迭代Graph-Cut算法组成,通常被视为金标准[8, 9]。然而,所需的CSE-MR图像是使用多梯度回波脉冲序列采集的,通常采用6个回波,因为这是文献中实现改进的R2*估算所推荐的最小回波数[10]。因此,扫描时间可能显著较长,且检查过程中可能需要患者多次屏气。此外,图割方法需要大量计算资源和计算时间。
近年来,已有多种基于深度学习(DL)的方法被提出用于解决水-脂分离问题[11–15]。据我们所知,所有这些工作都提出了具有不同配置的卷积神经网络(CNN),尽管其中大多数[11, 12, 15]采用了U-Net架构[16]。然而,其中仅有一项工作纳入了R2*和Δf图的估算以将其作为混杂因素剔除[15]。此外,这些工作中仅有两项使用回波数减少的图像进行了评估[11, 12],这可能提示采集时间有望缩短。然而,减少回波数的验证尚未充分完成,因为未使用比原始方案更短持续时间的采集来评估性能。
为实现扫描时间的有效缩短,必须优化脉冲序列的重复时间(TR),以最大化每次屏气所采集的层数。已知缩短TR会在所得MR信号中产生T1加权,从而导致PDFF正向偏倚。为避免该偏倚,倾向于使用低翻转角,但代价是信号强度下降[17]。
近期用于信号处理的DL应用已采用基于多任务U-Net的架构,以从单一输入联合执行多项估算[18, 19]。该配置即具有多个解码器的U-Net,允许对具有显著不同属性(即结构锐度、噪声等)的输出进行更有针对性的估算,而无需为每个任务开发两个独立模型。
在这项工作中,我们提出了一种基于多任务U-Net的架构,称为多解码器水脂分离神经网络(MDWF-Net),用于联合估计纯水和纯脂图像,以及R2*和Δf图。这种多任务方法能够改善水脂图像的估计,从而减少实现准确定量PDFF所需的回波数量。这项工作的主要目标是使用3回波图像实现与参考6回波图割技术精度相当的肝脏PDFF估计。
材料与方法
本研究的数据在单中心使用1.5-T MR扫描仪(Achieva,Philips Healthcare)采集,并符合HIPAA要求。
回顾性数据
我们首先考虑了一组先前采集的CSE-MR腹部图像,采集时间为2017年至2020年。数据来自134名志愿者,根据全肝覆盖范围,每人的层数在18至24层之间。健康受试者和脂肪肝受试者均被纳入。对于非健康受试者,纳入标准为超声初步评估怀疑肝脂肪变性。此外,脂肪肝受试者仅在排除混杂情况(即其他慢性肝病史、大量饮酒和药物治疗)后才被纳入。
这些CSE-MR图像采用标准6回波T1w-GRE序列采集。采集过程中,要求患者屏气(10–13次屏气,每次约10秒),并存储复值数据。最相关的脉冲序列参数如下:TR = 30 [ms],TE1/ΔTE = 1.3/2.1 [ms],体素大小 = 0.89 × 0.89 × 10 [mm3],翻转角 = 10°。其余参数总结于表1。
前瞻性采集图像
我们在2021年至2022年间使用标准6回波协议和3回波采集扫描了第二组健康受试者。3回波脉冲序列采用与标准协议前3个回波相同的回波时间,但TR除外,其在每次扫描时进行优化以最大化每次屏气采集的层数,从而将标称扫描时间从120秒缩短至54秒。3回波协议的脉冲序列参数也总结于表1。
参考水脂分离方法
描述T1w-GRE序列第n个回波(In)复信号的体素级物理模型为:其中j为虚数单位,ρw和ρf分别为水和脂肪信号,R2*为横向弛豫,Δf为偏共振场图,TEn为第n个回波时间,P为脂肪谱峰数量,fF,p为脂肪谱峰频率,其各自相对幅度为αp(Σαp = 1),这些为先验已知的[20]。然后,PDFF计算为:
ρw、ρf、R2*和Δf的参考结果使用国际医学磁共振学会(ISMRM)水脂工具箱[21]中实现的图割算法[8]获得。
多解码器水脂分离网络
MDWF-Net是一种卷积神经网络(CNN)[22, 23],能够在接收多回波梯度回波(GRE)采集数据作为输入后计算水脂图像、R2*和∆f。MDWF-Net的架构基于多任务U-Net,该架构此前已在文献中针对信号处理任务提出[18, 19]。该配置由编码器-解码器结构组成,将输入转换为降维的特征潜在空间,从中分别解码出水脂图像、R2*和∆f(图1)。
编码器由4个连续的Conv2D块组成,每个块包含两个二维卷积算子(卷积滤波器数量N = 72、144、288、576),每个卷积算子后接ReLU激活函数和批归一化。所得Conv2D块的特征使用二维最大池化进行下采样,最终获得潜在空间,该空间由1152个12 × 12维的特征组成。在解码器中,潜在空间特征使用转置二维卷积进行上采样,然后与形状相同的编码器特征进行拼接。拼接后的特征随后通过编码器中使用的相同Conv2D块进行处理。对于Δf解码器,从潜在空间的第一次上采样后接一个自注意力块[24–26],该模块能够学习非相邻像素之间的空间关系。该额外自注意力块预期可改善交换伪影的抑制。因此,我们预期MDWF-Net将优于已研究的U-Net [11, 12, 15](图1B),因为它对每个输出的特定特征采用了更有针对性的方法。
MDWF-Net的输入为由腹部单个重新缩放的二维切面的多个回波组成的数组。所有CSE-MR图像均通过k空间子采样重新缩放至192 × 192,每个数组通道包含每个回波的实部和虚部。因此,对于3回波采集,输入数组维度为192 × 192 × 6。另一方面,MDWF-Net返回三个输出:一个包含幅度水脂图像的双通道数组,以及分别包含R2*图和Δf图的两个单通道数组。
实验
先前采集的数据用于训练(N = 2479个切面)和训练期间的验证(N = 384),而前瞻性数据保留用于测试。由于先前数据包含6回波图像,且使用3回波协议重新扫描每位先前采集的志愿者将不可行,因此训练期间仅考虑前3个回波。
所有样本均以从6回波图像获得的图割结果进行标注。MR图像和标签均使用对所有回波幅度图像均值进行阈值处理来掩蔽,以去除噪声背景。为了将R2*和Δf值设定在[0,1]范围内,我们分别用200 [s−1]和400 [Hz]对参考变量进行归一化。
训练过程历时120个epoch,考虑批大小为32,初始学习率为5 × 10–4,采用余弦衰减。所考虑的损失函数为参照结果的均值绝对误差(MAE)。我们还在相同条件和超参数配置下训练了一个U-Net(类似[12]的实现),其计算4通道输出,每个通道分别对应于ρw、ρf、R2*和Δf。与MDWF-Net类似,U-Net权重随机初始化,并在考虑相同训练样本的情况下进行后续拟合。
数据预处理(DICOM读取、重缩放和图割估计)在MATLAB(MathWorks)中执行,基于深度学习的模型使用TensorFlow框架[27]实现。关于训练过程的更多细节可在补充材料中找到。
主观分析
PDFF图由两名经验丰富的放射科医师(C.B.、J.U.,分别具有10年和3年体部MR经验)盲法独立进行视觉评分,以与参考方法进行定性比较。以DICOM格式提供的完整多层腹部PDFF图在整体图像质量、感知信噪比和伪影方面使用5点Likert量表进行评估(表2)。
定量与统计分析
为定量评估PDFF估计性能,我们在门静脉分叉水平的肝实质右后叶和左叶(分别为RHL和LHL)放置了两个约2 cm2的特定感兴趣区(ROI)(图2A)。ROI在评估放射科医师的协助下绘制,避开大血管、肝脏病变和伪影,位于肝脏中的相同位置。一旦确定每个ROI的位置,所有ROI均共定位到用每种方法获得的图上。
随后,为评估每种方法的偏差和模糊,我们计算了每个ROI处PDFF的均值和标准差(STD)。为评估与真实值(6回波图割)的一致性,我们对平均PDFF值进行了最小二乘(LS)回归相关和Bland Altman分析。此外,进行了ANOVA事后检验以评估PDFF STD值之间的差异。由于样本数量较少,此统计分析中两个ROI一起分析。显著性水平设定为0.05,所有统计检验均在R中进行(R Development Core Team; https://www.R-project.org)。R2*图的评估可在补充材料中找到。
包含所有使用代码的仓库可在https://github.com/jpmeneses/MDWF-Net获取。
结果
所考虑受试者的人口统计学特征
先前采集的134名受试者显示以下人口统计学特征:平均年龄32.5 ± 18.1岁;四分位距36岁;99名女性。该第一数据库涵盖了广泛的体重指数范围(30.0 ± 5.0 kg/m2)以及RHL和LHL处真实PDFF值的分布(图2B)。
此外,在因存在多个肝囊肿而剔除一名受试者后,我们采用原始方案和三回波方案扫描了13名受试者(平均年龄34.4 ± 13.8岁;四分位距11岁;5名女性)(N = 290)。尽管平均体重指数低于训练数据集(25.4 ± 2.2 kg/m2),但我们观察到三名志愿者的参考肝脏PDFF超过20%。
两个数据集的人口统计学详细描述见表3。
计算时间
两个CNN均使用Quadro RTX 8000图形处理器(GPU)进行训练,并在较小的GPU(GeForce GTX 1050)上进行测试,以考虑更易获得的硬件条件。两个训练过程均耗时约5小时。训练完成后,U-Net的平均计算时间为0.07 [秒/层],VET-Net为0.13 [秒/层],而6回波图割为15.58 [秒/层]。
定性分析
在图3中,我们展示了测试受试者代表性层面的输出(ρw、ρf、R2*、Δf),这些结果分别通过图割(使用原始方案获得的CSE-MR图像)和基于深度学习的方法(使用三回波图像)获得。图3A展示了一个特定病例,在肝脏左前部观察到一些交换伪影。在图3B中,我们展示了一个三回波脉冲序列的TR(13.3 ms)短于原始方案(30.0 ms)的病例。
放射科医生的评估表明,根据整体图像质量(IQ)评分,MDWF-Net和U-Net获得的PDFF图质量与图割相似(U-Net:3.44 ± 0.80,MDWF-Net:3.54 ± 0.86,图割:3.55 ± 0.98)。在信噪比(SNR)方面,两个CNN也达到了与6回波图割相似的性能(U-Net:3.27 ± 0.99,MDWF-Net:3.32 ± 0.76,图割:3.30 ± 0.88)。此外,MDWF-Net的平均伪影减少评分略高于6回波图割(U-Net:3.68 ± 0.61;MDWF-Net:3.66 ± 0.61;图割:3.56 ± 0.66)。所有平均PDFF评分汇总于表4。
PDFF整体IQ评分的分布显示,使用MDWF-Net获得的PDFF图中近一半的整体IQ评分≥ 4,而U-Net则不同,其超过一半的样本评分为3(图4)。
ROI分析与统计检验
对ROI处平均PDFF值的最小二乘回归相关分析表明,MDWF-Net与6回波图割的一致性优于U-Net(回归斜率:0.94,R2:0.97 vs. 回归斜率:0.86,R2:0.93)(图5)。同样,Bland-Altman分析显示,MDWF-Net的偏倚更低、一致性界限(LoA)更窄(偏倚:0.24%;LoA:− 2.36%,2.84%),优于U-Net(偏倚:− 0.27%;LoA:− 4.20%,3.66%)。
在短TR受试者的具体案例中(与图3B相同),MDWF-Net在RHL和LHL中分别显示出1.53%和1.13%的正偏差,而U-Net分别显示出2.00%和0.94%的偏差。
为评估PDFF估计的模糊程度,考虑各ROI处PDFF-STD值的ANOVA事后检验表明,U-Net与金标准之间存在显著差异(p = 0.0250),而MDWF-Net与参考方法之间无显著差异(p = 0.5323)(图6)。
讨论
在本研究中,我们比较了两种基于深度学习的方法的性能:我们提出的MDWF-Net和U-Net,后者是一种在文献中已对其MR水脂分离性能进行过研究的架构。为进行公平比较,两个CNN在相同条件下训练(相同的训练数据集、相同的超参数)。
对CNN输出的视觉评估表明,与U-Net不同,MDWF-Net能够减轻图3A中观察到的一些交换伪影。然而,我们也注意到两种基于深度学习的R2*图均比参考图像更模糊,这在肝脏血管结构中尤为明显。这是可预期的,因为对于大多数水脂分离技术而言,当回波数量减少时,R2*是受影响最大的变量,通常建议使用多达12个回波以获得可靠的R2*估计[10]。在图3B中,我们观察到当3回波脉冲序列的TR(13.3 ms)短于原始方案(30.0 ms)时,不存在T1加权效应。
读者应注意,我们未对整体图像(如图3所示的图像)进行定量评估,因为参考方法和MDWF-Net结果来源于不同方案和不同实例采集的MR图像,这可能产生不同的特征(结构、场不均匀性、运动等)。因此,我们使用了留出验证方案,而非这些研究中通常执行的k折交叉验证。为定量评估差异,补充材料中包含了从相同3回波方案获得的MDWF-Net与U-Net结果之间的MAE。
放射科医师的评估显示,MDWF-Net和U-Net在伪影减少和感知SNR评分方面均略优于参考方法。类似地,MDWF-Net显示出与graph cuts相当的视觉质量,如平均总体评分所示,尽管我们提出的方法使用了更少的信息。
定量评估显示,MDWF-Net在PDFF估计方面优于U-Net,这表现为与6回波graph cut估计之间更高的相关性。MDWF-Net还实现了比U-Net更小的偏差和更窄的LoA。此外,与放射科医师的评估一致,MDWF-Net相比U-Net减少了模糊伪影,如ANOVA事后分析所示。这种行为是可预期的,因为先前已有报道称U-Net存在纹理细节丢失[14]。
我们认为,MDWF-Net估计PDFF的改善是多任务架构的结果,其中编码器权重(用于计算共享编码器特征)的调整考虑了每个输出的解码器权重。由于每个输出(水/脂图像、R2*、Δf)具有不同的范围和含义,与U-Net相比,MDWF-Net中使用分离的解码器通过改善对R2*和Δf效应的估计,改进了PDFF估计。
此外,我们观察到在3回波方案中缩短TR并未显著影响MDWF-Net的性能,可能是由于使用了小翻转角[17]。然而,本研究的一个局限性是采用比标准方案更短TR采集的受试者数量较少。未来的工作将在更大的受试者群体中全面评估少回波、短TR和可变翻转角条件下的T1加权偏差。
尽管两种CNN之间R2*和Δf的定量比较已包含在补充材料中,进一步验证是我们未来工作的一部分,因为这两个值都可能具有临床价值。R2*可能有助于诊断肝脏铁过载[28],而Δf图用于估计定量磁敏感成像(QSM)[29, 30]。然而,后一种应用需要使用3D CSE-MR图像。
今后的工作将集中于充分评估所提出方法的稳健性,这是转化为临床实践的一个相关方面。MDWF-Net需要使用来自不同厂商扫描仪采集的体模和受试者的CSE-MR图像进行验证。
结论
MDWF-Net能够高度准确地估计肝脏PDFF,其性能与图割相当,而所需数据仅为后者的一半。这显著缩短了采集时间,从而减少了操作过程中所需的屏气次数。放射科专家的良好评价以及金标准中无统计学显著差异表明,所提出的方法是可用于临床的可靠肝脏脂肪定量工具。
补充信息
以下是电子补充材料的链接。补充文件1(PDF 388 KB)
引用
- Meneses, Arrieta, Della Maggiora, et al. Liver PDFF estimation using a multi-decoder water-fat separation neural network with a reduced number of echoes. Eur Radiol. 2023. PMID: 37014405. doi:10.1007/s00330-023-09576-2
- 全文:PMC10415440(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10415440/
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。