關注“醫工學人”澎湃號及公眾號，第一時間獲取醫工交叉領域新聞動態~

----

結構磁共振（MR）成像中，運動偽影、低分辨率、成像噪聲和采集方案的可變性經常會降低圖像質量并影響下游分析。12月5日，北卡羅來納大學教堂山分校的研究者們在Nature Biomedical Engineering發表研究文章，報告了用于 MR 圖像的運動校正、分辨率增強、去噪和協調的基礎模型。

結構磁共振成像 （MRI） 是一種成熟的、非侵入性且安全的技術，用于表征人腦，因為它具有出色的軟組織對比度和無輻射。然而，盡管有其優點，但在采集過程中，來自頭部運動甚至心跳、呼吸或眨眼的任何參與者運動都可能導致嚴重的模糊和重影偽影，導致混雜效應和后續神經影像學分析的挑戰，包括組織分割、配準、圖譜構建、分組和組比較。

為了減輕運動偽影，已經提出了各種技術，這些技術可以大致分為兩類：前瞻性和回顧性校正方法。前瞻性方法旨在防止數據采集過程中出現偽影；回顧性方法在采集后使用 navigator 去除或減少偽影或跟蹤鏈接或迭代算法。但是這些方法通常計算成本高昂，并且需要補充數據以及重建的圖像，例如原始頻域 （k-space） 數據，這些數據并不總是可用于大規模開放數據集。在此背景下，基于深度學習的方法已成為運動校正的潛在解決方案。這些方法消除了對昂貴的額外硬件、序列修改或補充 k-space 數據的需求。然而，雖然這些方法已經顯示出成功，但它們仍然會產生帶有殘留偽影和解剖學不正確的組織的圖像。

除了運動偽影外，由于成像硬件、信噪比 （SNR）、時間限制和參與者舒適度的限制，腦部 MRI 通常具有較大的平面厚度或低分辨率。以及使用 MRI 數據的另一個顯著挑戰是巨大的中心間數據異質性，這源于掃描儀制造商、型號和成像參數的變化。這種異質性阻礙了來源之間的可比性，并對臨床和研究結果產生不利影響。

圖1  BME-X模型概述（圖源：Nature BME）

綜上，研究者們提出了一種靈活且易于實現的腦部 MRI 增強基礎 （BME-X） 模型，如圖 1所示。通過運動校正、超分辨率、去噪、協調和對比度增強顯著提高大腦 MR 圖像質量。

首先，該研究通過6個數據集的2,088張合成損壞圖像及19個數據集10,963體內圖像驗證BME-X模型的優勢。其次，進行消融研究以驗證組織分類模塊在提高圖像質量方面的有效性。第三，全面評估了 BME-X 在處理具有不同運動偽影、降采樣、高斯噪聲、里西亞噪聲和平滑度的損壞圖像時的魯棒性。第四，評估了重建過程中是否引入任何潛在的偏倚。第五，探討了 BME-X 估計 3 個 T MRI 高場樣（7-T 樣）圖像的能力。第六，證明了 BME-X 在去除各種情況的異常腦部 MRI 偽影方面的有效性。第七，應用 BME-X 來協調不同掃描儀之間的腦部 MRI。第八，將 BME-X 模型擴展到幾個下游任務，包括組織分割、配準、分包和診斷。

圖2  24 個月大時體內 T1w 圖像增強結果的視覺比較

圖3  180 張來自 BCP 的 24 個月大合成的損壞 T1w 圖像的增強結果，由四種競爭方法和基礎模型生成

圖4  來自 5 個數據集的 1,908 張合成損壞圖像的增強結果

圖5  BME-X 模型對整個人類生命周期中 10,963 張體內低質量圖像的增強結果，從 19 個數據集中收集。

圖6  來自競爭方法和 BME-X 模型的 MR-ART 數據集中 280 張體內損壞的 T1w 圖像的增強結果和偏差量化

圖7  BME-X 模型的超超分辨率重建。

圖8  不同大腦狀況下異常大腦圖像的增強結果。

綜上，該研究訓練了一個組織分類神經網絡來預測組織標簽，然后 “組織感知 ”增強網絡利用這些標簽來生成高質量的 MR 圖像。模型在一個大型且多樣化的數據集上進行了有效性驗證。該模型在提高 MR 圖像質量、處理患有多發性硬化癥或神經膠質瘤的病理性大腦、從 3 T 掃描生成 7-T 樣圖像以及協調從不同掃描儀獲取的圖像方面始終優于最先進的算法。該模型生成的高質量、高分辨率和協調的圖像可用于增強模型在組織分割、配準、診斷和其他下游任務方面的性能。

文章鏈接：

https://www.nature.com/articles/s41551-024-01283-7

*中文報道文章僅供參考，建議讀者閱讀英文原文。