Radiology：基于图像到图像转换的脑肿瘤MRI定量脑血容量图像合成标准

动态对比增强(DSC)MRI获得的脑血容量(CBV)图是评价脑肿瘤进展的一种有效的方法。尽管CBV图在临床实践中具有重要意义，但在采集和应用方面仍存在挑战。图像到图像的转换技术，可以将一个视觉表征或方式转换为另一个视觉表征和方式或者建立一个从一系列图像到另一个图像的映射，可以将非灌注标准MRI扫描转换为灌注图像。

生成对抗网络 (GAN)是一种基于深度学习的框架，它从一组训练数据中学习映射，并生成与训练数据具有相同特性的合成数据。GANs包括一个生成器和一个鉴别器，这两个都是典型的神经网络、相互竞争。现阶段，GAN及其变体已被广泛应用于深度学习技术。与标准MRI扫描不同，DSC MRI通常需要由专家进行手动后处理，这可能导致在生成CBV图时操作者之间的差异

近日，发表在Radiology杂志上的一篇研究测试了从标准脑肿瘤MRI序列生成CBV图的图像到图像转换技术，并使用端部技术DSC MRI作为基准值参考。

本项回顾性研究共纳入756例MRI检查，包括由DSC MRI产生的定量CBV图。研究训练了特征一致性生成对抗网络(GAN)和仅具有平均绝对误差损失的三维编码器-解码器网络两种算法来合成CBV mapping。两种算法的性能使用结构相似指数(SSIM)进行定量评估，并由两名神经放射学家使用四点李克特量表进行定性评估。采用多中心数据集(4个外部数据集和1个内部数据集)，在几种临床情景(肿瘤分级、预后预测、鉴别诊断)中评估脑肿瘤合成CBV图与标准MRI扫描相结合的临床价值。使用z检验检验诊断和预测准确性的差异。

以T1加权图像、增强T1加权图像和表观扩散系数图为输入的三维编码器-解码器网络合成性能最高(SSIM, 86.29%±4.30)。神经放射科医师合成CBV map的平均定性评分为2.63分。合成CBV与标准MRI相结合提高了胶质瘤分级的准确性(标准MRI扫描面积下的受试者工作特征曲线[AUC]， 0.707;标准MRI扫描CBV图AUC, 0.857;Z = 15.17;P < 0.001)，预测胶质瘤的预后(标准MRI扫描AUC, 0.654;标准MRI扫描CBV图AUC, 0.793;Z = 9.62;P < 0.001)、胶质瘤复发与治疗反应的鉴别诊断(标准MRI扫描AUC, 0.778;标准MRI扫描CBV图AUC, 0.853;Z = 4.86;P < 0.001)和脑转移(标准MRI扫描AUC, 0.749;标准MRI扫描CBV图AUC, 0.857;Z = 6.13;P < 0.001)。

 表 标准MRI和标准MRI结合合成脑血容量图对胶质瘤分级和预后预测的比较

本项研究表明，GAN图像到图像转换技术可从标准的MRI扫描中获得准确的合成CBV图，并可用于改善脑肿瘤的临床评估。

原文出处：

Bao Wang,Yongsheng Pan,Shangchen Xu,et al.Quantitative Cerebral Blood Volume Image Synthesis from Standard MRI Using Image-to-Image Translation for Brain Tumors.DOI:10.1148/radiol.222471