Radiology：基于超分辨率机器学习的便携式低场强MRI测量

最近，临床上提出了一种便携式的低场强（0.064T）MRI系统。然而，与1.5-3T的高场强MRI相比，便携式MRI有其局限性，包括信噪比降低和空间图像分辨率有限（1.6 × 1.6 × 5 mm³）。因此，临床上的关键目标是通过将低空间分辨率的低场强MRI数据转化为高空间分辨率的图像，同时保持准确性，最大限度地提取可用信息。低场强MRI的形态测量将大大扩展其在研究和临床神经成像中的应用。现有的MRI分割工具在图像分辨率（通常为1 mm³的各向同性）、MRI脉冲序列（通常为T1加权）和信噪比方面有先决条件。这些先决条件通常由磁化准备快速梯度回波采集或其变体满足，由高场强MRI采集。不幸的是，低场强的MRI不能满足这些要求，因此不能将分割工具应用于这些数据集。

现代超分辨率方法使用卷积神经网络（CNN），从低空间分辨率的输入或输入中产生高空间分辨率的输出。然而，应用于低场强的MRI需要编制一个由成对的、精确对齐的低分辨率和高分辨率图像组成的大型数据集，而由于非线性空间失真而实现困难。现阶段，一个常见的替代方法是对高空间分辨率的扫描进行下采样以获得配对的图像。然而，这种方法在处理低场强MRI时可能会失败，因为下采样的高场强MRI与低场强MRI不够接近，这个问题被称为领域转移。

我们的研究提出了低场SynthSR（以下简称LF-SynthSR），这是一种训练CNN的方法，使用低场强（0.064-T）T1和T2加权脑MRI序列来生成具有1毫米各向同性空间分辨率的图像，并呈现出磁化制备的快速梯度回波采集。我们通过对合成图像和地面真实高场强图像之间的大脑形态测量进行关联，证明了LF-SynthSR在定量神经放射学方面的潜力。

近日，发表在Radiology杂志的一项研究实现了一种机器学习的超分辨率算法，可从较低分辨率的T1加权和T2加权的便携式轮MRI扫描中合成较高空间分辨率的图像（1毫米各向同性），使其适合于自动定量形态测量，为进一步的应用及研究提供了技术支持。

本项研究利用了一个外部的高场强MRI数据集（来自开放存取系列影像研究数据集的1毫米各向同性扫描）和大脑中39个感兴趣区域（ROI）的分割来训练一个超分辨率卷积神经网络（CNN）。对有神经系统症状的参与者的24个配对的低场强和高场强临床MRI扫描的内部测试集进行了二次分析。三种成熟的自动分割工具被应用于三组扫描：高场强（1.5-3T，参考标准）、低场强（0.064T），以及用CNN从低场强数据中生成的合成高场强图像。相关性的统计学意义是用学生t检验来评估的。相关系数用Steiger Z检验来比较。

11名参与者（平均年龄50岁±14岁；7名男性）在图像中完全覆盖大脑，没有运动伪影或大的卒中病变与质量效应的失真。低场强MRI的直接分割与大多数ROI的高场强体积测量产生了不明显的相关性（P>0.05）。在对合成图像进行分割时，相关性大大改善。 所有ROI的P值都小于0.05（例如，海马[r = 0.85; P < .001]，丘脑[r = 0.84; P = .001]，和整个大脑[r = 0.92; P < .001]）。与模型的偏差（Z评分图）与病理异常有直观的关联。

 图 测试组中两名符合纳入标准的畜种参与者的卒中病变和异常图。(A) 一名51岁的男性参与者的T2加权高场强（3-T）MRI扫描的轴位层面，无造影剂显影，显示有卒中病变。(B)同一受试者的T2加权低场强(0.064-T)MRI扫描的近似对应部分。(C) 同一部位的异常图（即Z评分的绝对值），阈值为|z|=1.96（即95%CI），叠加在低场强扫描上。(D) 异常图的主要集群的三维渲染，显示了整个卒中病灶。(E)一个63岁的女性参与者的冠状面图像，成像方案与A相同，也有卒中病变。(F)低场强扫描的近似对应层膜。(G) 以95%CI为阈值的畸形图。(H) 三维渲染

研究表明，LF-SynthSR克服了以前的超分辨率工具与低场强MRI的局限性，并能对低场强MRI进行定量形态测量。未来的工作将需要包括纳入不确定性估计以提高研究方法的可靠性，并将其扩展到加强对图像上正常和异常结果的检测。

原文出处：

Juan Eugenio Iglesias,Riana Schleicher,Sonia Laguna,et al.Quantitative Brain Morphometry of Portable Low-Field-Strength MRI Using Super-Resolution Machine Learning.DOI:10.1148/radiol.220522