【协和医学杂志】跨场强配对MRI脑影像数据集的构建

深度解析医学证据，DeepEvidence为你支撑决策

磁共振成像（MRI）是基于原子核在射频脉冲作用下释放无线电波原理的成像技术，具有无创、无辐射、软组织成像清晰等优点，在医学领域得到广泛应用^[1-2]。MRI的主磁场强度是影响成像质量的关键因素之一，较高的磁场强度有助于提升图像信噪比和空间分辨率，从而提高图像质量和诊断准确性。然而，受场地、设备费用等因素的制约，高场强的MRI设备难以在基层医疗机构普及，而轻量化、低场强的MRI设备正逐步在更多医疗机构中推广应用^[3-7]。

随着人工智能（AI）技术的快速发展，通过深度学习（deep learning）方法对低场强MRI影像进行超分辨率（SR）重建以改善图像质量，已成为国内外学者的研究方向^[8]。虽然包括人类连接组计划^[9]（HCP）在内的多个研究项目公开大量3.0特斯拉（Tesla，磁感应强度单位，符号T）高场强MRI脑影像数据，亦有研究公开部分低场强MRI人体影像数据集^[10]，构成重要的SR研究资源。然而，对于低场强的MRI脑影像资料，特别是相同受试者在不同场强下配对的MRI脑影像数据集依然非常稀缺。

在此背景下，SR模型的训练集通常来自由高场强图像及其经人工合成的低场强样本^[11]，该合成样本与实际低场强图像存在差异，可能导致SR模型在实际应用中的性能下降。因此，构建一个包含低场强与高场强配对的MRI数据集，对于评估和提升SR模型性能至关重要。为此，本研究拟构建0.2 T低场强与3.0 T高场强的健康人群配对MRI脑影像数据集，并初步探索AI在跨场强数据超分辨率图像重建中的应用。

1 对象与方法

1.1 研究对象

选取2026年1—3月北京邮电大学的在读研究生为研究对象。

纳入标准：（1）年龄为20~30岁；（2）无神经系统疾病史或颅脑手术史；（3）无MRI检查禁忌证；（4）同意参与研究并签署知情同意书。

排除标准：（1）佩戴不兼容MRI扫描的饰品或医疗设备；（2）无法在指定时间、地点完成扫描。

脱落标准：（1）扫描过程中无法配合完成全部序列的数据采集；（2）主动要求终止扫描；（3）由于设备尺寸限制或其他不可抗力因素导致扫描无法完成；（4）扫描过程中出现严重运动伪影；（5）扫描数据存在信号丢失、严重畸变等明显质量问题。

本研究已通过北京邮电大学生物医学伦理委员会审批（审批号：BUPT-E-2026001）。

1.2 数据采集

1.2.1   0.2 T低场强数据采集

应用北京邮电大学自主研发的小型可移动MRI设备采集0.2 T低场强数据，该设备采用0.2 T超低场强永磁体，集成了自主研发的非线性超材料射频线圈和一体化可编程谱仪控制系统。每名受试者采集3个序列。

1 T1 多回波自旋回波（MSSE）。采集参数包括：重复时间（TR）为494.6 ms，回波时间（TE）为20.0 ms，翻转角（flip angle）为90°，层厚（slice thickness）为8.0 mm，层间距（spacing between slices）为1.0 mm，层数为15，信号平均次数（number of averages）为4。

2 T2 快速自旋回波（FSE）。采集参数包括：重复时间为4500.0 ms，回波时间为140.0 ms，翻转角为90°，层厚为8.0 mm，层间距为1.0 mm，层数为15，信号平均次数为4。

3 T2液体衰减反转恢复（FLAIR）。采集参数包括：重复时间为4500.0 ms，回波时间为140.0 ms，反转时间（TI）为1000.0 ms，翻转角为90°，层厚为8.0 mm，层间距为 1.0 mm，层数为15，信号平均次数为4。

1.2.2   3.0 T高场强数据采集

应用西门子（Siemens Healthineers）MAGNETOM Prisma MRI系统采集3.0 T高场强数据。每名受试者采集2个序列。

1 T1 磁化准备快速梯度回波（MPRAGE）序列。采集参数包括：重复时间为2300 ms或2530 ms，回波时间为1.94 ms、3.37 ms或2.07 ms，反转时间为1100 ms，翻转角为7°，体素大小为1 mm×1 mm×1 mm，信号平均次数为1。

2 DWI序列。同时采集从前至后（AP）和从后至前（PA）两个相位编码方向，可用于畸变校正。采集参数包括：重复时间为8100 ms（AP方向）、10 500 ms或3200 ms（PA方向），回波时间为75 ms（AP方向）、80 ms或81 ms（PA方向），翻转角为90°，体素大小为 2 mm×2 mm×2 mm，信号平均次数为1，b值为1000 s/mm²（AP方向），扩散方向为64个。

1.3 数据处理

在安装Ubuntu 20.04操作系统的服务器上，采用命令行工具、Python编程语言（版本为3.10.19）及相关图像处理库对采集的MRI数据进行处理，具体操作流程详见图1。

图1 数据处理流程示意图

MSSE：多回波自旋回波；FSE：快速自旋回波；FLAIR：液体衰减反转恢复；MPRAGE：磁化准备快速梯度回波；DWI：扩散加权成像

1.3.1 格式转换

原始扫描数据以医学数字成像和通信（DICOM）格式存储。应用Dcm2niix工具^[12]（版本为1.0.20181125）将DICOM文件批量转换为NIfTI格式，同时输出包含采集参数的JSON辅助文件。特别的，DWI序列的AP和PA方向分别被转换并保存为NIfTI格式影像，同时保留梯度方向和梯度大小等信息。

1.3.2 预处理

所有NIfTI体积在进入后续处理流程前，依次经体素方向重定向、N4偏置场校正和强度归一化3个步骤处理，分别针对原始数据的方向一致性、低场成像固有的强度非均匀性以及跨设备的强度尺度差异进行校正。

首先，不同制造商和扫描序列输出的体素排列顺序可能各不相同，若不加以统一，将在后续分割与重建流程中引入轴向歧义。为此，使用Nibabel库（版本为5.3.3）的as_closest_canonical函数将所有体积重定向为RAS（right-anterior-superior）标准方向，确保右（R）、前（A）、上（S）3个轴的正方向在所有体积中保持一致，从而消除下游流程对方向假设的依赖。

其次，低场强MRI尤其容易受射频发射线圈与接收线圈场不均匀性的影响，在图像中形成缓慢变化的低频强度梯度伪影，此类偏置场可干扰基于强度的组织分割及超分辨率重建。为便于复现，本研究采用SimpleITK^[13]（版本为2.5.3）实现N4算法^[14]，进行偏置场校正。校正前，利用Otsu阈值法自动提取组织前景，以排除背景噪声对偏置场估计的干扰。该操作应用于0.2 T的FLAIR、FSE、MSSE序列和3.0 T的MPRAGE序列，使校正后的体素强度反映真实的组织对比度。

最后，不同扫描仪和序列间的绝对强度动态范围差异悬殊，不适合后续超分辨率任务。为便于后续开展基于SynthSR框架^[11]的超分辨率重建研究，本研究遵循其设定，对偏置校正后的体积执行Min-Max归一化，仅在前景掩模（体素值＞0）区域内统计强度最小值I_min和最大值I_max，将所有前景体素的强度按

线性映射至［0,1］区间，背景体素置零。Min-Max具有实现简单、便于跨序列强度尺度对齐的优点，但对极端值敏感。因此，本研究仅在前景掩模内统计I_min与I_max，以降低噪声与背景体素对归一化的影响。

1.3.3 脑区分割

为后续基于SynthSR框架的合成训练提供解剖先验信息，需对3.0 T T1 MPRAGE图像进行脑区自动分割，生成体素级标签图（label map）。本研究采用SynthSeg^[15]作为分割后端。SynthSeg是基于合成数据训练的脑区分割工具，采用3D U-Net架构，能够对任意对比度和分辨率的脑部MRI图像进行鲁棒分割，无需针对特定数据集重新训练。

分割操作通过SynthSeg的predict函数完成，以预处理后的3.0 T T1体积作为输入，裁剪尺寸设为192体素，输出NIfTI格式的分割标签图。针对10名配对受试者的3.0 T T1图像逐一执行分割，每例均成功生成包含32个标签（含背景）的脑区分割图。

1.3.4 超分辨率重建

完成格式转换后，本研究使用SynthSR仓库提供的预训练模型权重及低场强推理脚本,对上述NIfTI格式的0.2 T MSSE和FSE序列样本进行超分辨率重建，以测试既有方法，并为后续关于超分辨率重建研究提供基准。脚本对输入图像自动执行强度缩放，随后将其送入网络进行推理，并输出1 mm各向同性的SR体积。

2 结果

2.1 研究对象基本信息

共招募20名受试者，其中8名因头部活动等原因无法采集MRI数据而被排除，最终获取12名受试者的MRI数据。在12名受试者中，10名同时接受0.2 T和3.0 T两种场强的MRI数据采集，构成10组配对数据；另2名受试者仅接受0.2 T场强的MRI数据采集。研究对象基本信息详见表1。

表1 研究对象基本信息及数据采集情况

2.2 数据集概览

按照上述处理流程，最终为全部12名受试者完成了DICOM格式转换与预处理，并为10名配对受试者完成了脑区分割及超分辨率重建评估。数据集各阶段产出汇总如下：

1 格式转换阶段，12名受试者的0.2 T三序列（FLAIR、FSE、MSSE）及10名配对受试者的3.0 T T1 MPRAGE和DWI（AP/PA）均成功转换为NIfTI格式。该数据已上传至网络，数据集获取网址为：https://github.com/AI4DMR/PairedMRIData。

2 预处理阶段，全部体积均完成了体素方向重定向、N4偏置场校正及Min-Max强度归一化。其中，DWI四维体积仅对b=0图像估计N4偏置场，然后将校正因子应用于所有方向。

3 分割阶段，10名配对受试者的3.0 T T1图像均由SynthSeg生成包含32个标签的脑区分割图。

4 超分辨率重建阶段，10名配对受试者的MSSE/FSE序列均生成了相应的SR体积，并完成无参考质量指标的统计。

2.3 预处理结果

3.0 T T1 MPRAGE序列和0.2 T的3个序列（MSSE、FSE、FLAIR）均完成了N4偏置场校正。全部12名受试者的3个0.2 T序列、10名配对受试者的3.0 T T1序列以及DWI序列均成功通过预处理流程，输出体积的强度范围统一至［0,1］。

2.4 分割结果

图2展示了代表性受试者的3.0 T T1 MPRAGE经SynthSeg自动分割后的结果。上排为3个视图的T1原始图像，下排为叠加分割标签的彩色编码图，不同颜色代表不同的脑区标签。所有子图均被缩放为同边长的正方形，背景填充为黑色。分割标签图在轴位、冠状位及矢状位3个视图上均准确标识了大脑白质、灰质、侧脑室、丘脑、尾状核、壳核、海马等主要脑区结构，标签边界与T1图像上的解剖结构吻合良好。全部10名配对受试者均成功完成分割，每例产出31个非背景标签，标签编号与FreeSurfer标准一致。

图2 SynthSeg脑区自动分割结果（3.0 T T1）

2.5 超分辨率重建结果

图3展示了代表性受试者的超分辨率图像重建结果。图中第一排为轴位层面，第二排为矢状位层面，第三排为黄色矩形区域内的轴位局部放大图；列方向依次为0.2 T MSSE、0.2 T FSE、SynthSR输出的SR图像以及3.0 T T1定性参考图像。所有子图均被缩放为同边长的正方形，背景填充为黑色。与输入的低场序列相比，SR图像在轴位层面上表现出更连续的结构细节与更平滑的组织边界，但在矢状位仍可观察到由原始厚层采集带来的断层迹象，提示超分辨率重建尚未完全消除层间信息缺失。

图3 代表性受试者超分辨率重建结果

为定量评估重建质量，本研究为每名配对受试者的MSSE、FSE与SR体积计算相关指标，并报告MSSE与FSE中指标最高的输入序列、SR图像的信噪比（SNR）、对比噪声比（CNR）、熵及梯度清晰度，结果详见图4。

图4 超分辨率前后无参考质量指标对比散点图

A.SNR；B.CNR； C.熵；D.梯度清晰度

SNR：信噪比；CNR：对比噪声比

图中蓝色散点表示超分前的较优输入（MSSE/FSE中的较高者），红色散点表示SR结果。其中，SNR定义为前景均值与低强度区域标准差之比，CNR定义为前景与低强度区域对比度的归一化度量，熵定义为前景强度分布的Shannon熵，梯度清晰度定义为前景梯度幅值的均值。10名配对受试者SR结果的平均指标为：SNR为 168.470±60.329、CNR为 1.729±0.087、熵为（5.554±0.072） bit、梯度清晰度为0.072±0.003。由于0.2 T与3.0 T视野及坐标不一致，本文未将峰值信噪比（PSNR）及结构相似性（SSIM）作为主结论指标。

针对样本量问题，本文进一步进行了效能分析（power analysis），以说明当前样本量的检测能力边界。以10名配对受试者的SNR增益（SR相对于0.2 T输入中SNR较高者的增益）为主要终点，其均值为65.71，标准差为67.06。采用双侧单样本t检验的非中心t分布进行功效分析，在α=0.05、检验效能（power）=0.80、n=10的条件下，最小可检测的标准化效应量约为d_z=1.00，对应最小可检测的SNR增益约为66.79。上述结果表明，在当前样本量与变异度水平下，本数据集更适合检出较大效应量的图像质量改善，而对较小效应量的检测能力相对有限。

3 讨论

本研究构建了1个包含12名健康受试者的0.2 T与3.0 T配对MRI脑影像数据集，并完成了格式转换、预处理、脑区分割及超分辨率重建评估等处理流程。

本数据集的核心价值在于其“同受试者、跨场强、多序列”的配对设计。现有的大型公开MRI脑影像数据集主要提供3.0 T或更高强度的高场强数据，缺乏同受试者的低场强配对影像。低场强MRI超分辨率领域的训练数据通常依赖于从高场强图像人工退化合成的伪低场强数据，但合成退化与真实低场强成像之间存在域差距，可能降低模型的泛化性能。本数据集提供了真实的0.2 T低场强数据及其对应的3.0 T高场强参考，可用于评估合成训练策略的有效性，或作为真实配对样本以补充合成训练，改善模型性能。

从潜在应用角度看，超分辨率重建能够将低场强临床扫描的各向异性体素转化为更易于三维观察与定量分析的体积数据，有望提升低场强设备在基层筛查、随访及远程会诊场景中的可用性，并为下游自动化流程提供更稳定的输入。然而，超分辨率模型也可能引入不真实的细节或结构偏差，仍需通过更大规模的数据集及具体临床任务进一步验证其对诊断与决策的实际增益。

本研究存在以下局限性：（1）样本量有限。仅12名受试者（其中10名配对），受限于低场强MRI设备的可及性和受试者招募条件，尚不足以支撑大规模深度学习模型的端到端训练。仅使用本研究的数据集进行模型训练可能限制模型的收敛性和泛化能力，但其可作为小样本微调数据源或评估基准。此外，受试者均为在校大学生，年龄范围较窄，可能导致解剖结构与生理差异覆盖不足，从而限制模型在更广泛年龄段及病理人群上的泛化能力。（2）0.2 T采集参数限制。采集参数采用轴位扫描，层数仅15层，层厚为8.0 mm，轴向总覆盖约 120 mm，顶部和小脑下部信息不足，限制了全脑范围内的结构细节恢复。同时，较大的层厚导致轴向分辨率较低及层间解剖信息丢失。对该缺失信息的额外推断，使得深度学习模型在本数据集上训练时收敛变得更加困难。（3）评估指标局限性。由于0.2 T与3.0 T的视野及坐标不一致，本研究采用无参考指标作为主要评估方法，缺乏严格空间对齐下的逐体素误差分析。

后续工作将在本数据集的基础上，结合SynthSR框架开展纯合成训练与合成-真实混合训练的超分辨率重建试验，并在建立更严格的跨场强空间对应关系后，补充PSNR、SSIM等逐体素一致性指标，以形成更完整的重建质量评估体系。

参考文献

［1］Moser E, Stadlbauer A, Windischberger C, et al. Magnetic resonance imaging methodology［J］. Eur J Nucl Med Mol Imaging, 2009, 36(S1): 30-41.

［2］Van Geuns R J M, Wielopolski P A, De Bruin H G, et al. Brain imaging with portable low-field MRI［J］. Prog Cardiovasc Dis, 1999, 42(2): 149-156.

［3］Kimberly W T, Sorby-Adams A J, Webb A G, et al. Brain imaging with portable low-field MRI［J］. Nat Rev Bioeng, 2023, 1(9): 617-630.

［4］Liu Y L, Leong A T L, Zhao Y J, et al. A low-cost and shielding-free ultra-low-field brain MRI scanner［J］. Nat Commun, 2021, 12(1): 7238.

［5］Cooley C Z, Mcdaniel P C, Stockmann J P, et al. A portable scanner for magnetic resonance imaging of the brain［J］. Nat Biomed Eng, 2021, 5(3): 229-239.

［6］Yuen M M, Prabhat A M, Mazurek M H, et al. Portable, low-field magnetic resonance imaging enables highly accessible and dynamic bedside evaluation of ischemic stroke［J］. Sci Adv, 2022, 8(16): eabm3952.

［7］Mazurek M H, Cahn B A, Yuen M M, et al. Portable, bedside, low-field magnetic resonance imaging for evaluation of intracerebral hemorrhage［J］. Nat Commun, 2021, 12(1): 5119.

［8］赵宏, 张润岩. 基于特征融合与无参数注意力机制的MRI图像超分辨率重建方法［J］. 计算机应用研究, 2026, 43(4): 1251-1257.

［9］Elam J S, Glasser M F, Harms M P, et al. The human connectome project: a retrospective［J］. Neuroimage, 2021, 244: 118543.

［10］Zhao Y J, Ding Y, Lau V, et al. Whole-body magnetic resonance imaging at 0.05 Tesla［J］. Science, 2024, 384(6696): eadm7168.

［11］Iglesias J E, Billot B, Balbastre Y, et al. SynthSR: a public AI tool to turn heterogeneous clinical brain scans into high-resolution T1-weighted images for 3D morphometry［J］. Sci Adv, 2023, 9(5): eadd3607.

［12］Li X R, Morgan P S, Ashburner J, et al. The first step for neuroimaging data analysis: DICOM to NIfTI conversion［J］. J Neurosci Methods, 2016, 264: 47-56.

［13］Lowekamp B C, Chen D T, Ibáez L, et al. The design of SimpleITK［J］. Front Neuroinform, 2013, 7: 45.

［14］Tustison N J, Avants B B, Cook P A, et al. N4ITK: improved N3 bias correction［J］. IEEE Trans Med Imaging, 2010, 29(6): 1310-1320.

［15］Billot B, Greve D N, Puonti O, et al. SynthSeg: segmentation of brain MRI scans of any contrast and resolution without retraining［J］. Med Image Anal, 2023, 86: 102789.