压缩感知技术在头MRA的初步应用探索

张晓东， 朱丽娜， 马帅， 刘义， 刘水， 刘婧， 王霄英

表1 4组MRA图像的表观SNR及CNR

在MR检查中使用压缩感知(compressed sensing，CS)技术，可在K空间欠采样的情况下，利用信号处理的优化算法，得到MR图像[1]。由于可以缩短MR信号的采集时间，CS成为MR技术领域重要的研究方向之一[2]。研究者在各个领域开展了实验和临床研究的探索[3]，结果不尽相同，共同的观点是[4]：在开展CS的临床应用之前，必须在不同的临床场景下进行测试，以验证其可行性及诊效效能[5-7]。目前国内关于CS临床研究的结果尚少，本研究对CS技术在头MRA中的应用进行了初步探索。

材料与方法

1.病例资料

回顾性搜集2017年6月-2017年7月在本院接受检查的15例患者，均因临床诊断需要而行头MRA检查。男8例，女7例，平均年龄56岁。

2.MRA图像采集

在Philips Achieva TX 3.0T MR扫描仪上行头MRA扫描，采用32通道头线圈。扫描方案包括：常规3D TOF MRA序列(regular MRA，R-MRA)和CS-MRA序列。

R-MRA序列的扫描参数：TR 25 ms，TE 3.5 ms，翻转角200°，视野200 mm×200 mm×120 mm ，矩阵444×254×171，空间分辨率0.45 mm×0.78 mm×0.7 mm，带宽217.2 Hz/pixel，171层，扫描时间5 min 49 s。

CS-MRA序列的扫描参数与R-MRA完全相同，扫描位置、范围也完全相同，扫描时间2 min 54 s。

R-MRA按标准预设方法重建出一组图像。CS-MRA按3种不同降噪水平(denoising level，DS)重建：5%、10%、20%，得到CS-DS5、CS-DS10、CS-DS20共三组图像。最终每位患者共得到4组图像进行阅片分析。

3.图像评价

客观评价:选取大脑中动脉M1段显示最佳的层面，测量M1段的表观信噪比(signal-to-noise ratio，SNR)和对比噪声比(contrast-to-noise ratio,CNR)。具体方法：测量兴趣区(regions of interest，ROI)的信号强度均值SI血管，同层面脑白质区信号强度均值SI脑白质及周围空气平均信号强度SD噪声。计算公式如下：SNR=SI血管/SD噪声；CNR=(SI血管-SI脑白质)/SD噪声。

主观评价:图像质量评分：由2名放射科医师独立盲法阅片。采用3级评分标准分别对图像质量进行评价，标准如下：1分，严重的图像变形伪影、SNR低，图像质量差，不能用于临床评估；2分，图像变形伪影较轻，SNR可，血管边缘可识别，图像质量中等，可用于临床评估；3分，无明显图像变形伪影，SNR高，血管边缘清晰锐利，图像质量优，可用于临床评估。

图像质量优选：由2名阅片者分别从4种MRA图像中选取最佳序列图像，并记录：倾向常规R-MRA；倾向CS-DS5；倾向CS-DS10；倾向CS-DS20。

4 统计方法

结 果

1.客观评价结果

4组MRA图像(图1)的表观SNR及CNR测量结果见表1。4组图像的表观SNR值差异有统计学意义(P<0.05)，进一步组间两两比较，除CS-DS5组和CS-DS20组间的SNR值差异有统计学意义(P=0.005)，其余各组间的SNR值差异均无统计学意义。4组图像间的CNR值差异无统计学意义(P>0.05)。

2.主观评价结果

2位阅片者间对图像质量主观评估具有较好的一致性(k=0.97)。Wilcoxon秩和检验的统计结果显示：CS各组与R-MRA组图像质量评分差异无统计学意义(∣Z∣= 0～1，P>0.3)。第一位阅片者认为CS-DS20为最佳序列图像的比例为73.3%(11/15)，认为R-MRA为最佳序列图像的比例为26.7%(4/15)；第二位阅片者认为CS-DS20为最佳序列图像的比例为60.0%(9/15)，认为CS-DS10为最佳序列图像的比例为6.7%(1/15)，认为R-MRA为最佳序列图像的比例为33.3%(5/15)。

图1 同一患者的头MRA图像。a) 常规MRA； b) CS-MRA-DS5； c) CS-MRA-DS10； d) CS-MRA-DS20。

讨 论

MRI是常用的临床检查手段，但因其检查时间长降低了效价比。CS可通过信号处理过程，利用k空间亚采样的数据生成MR图像，与常规方法比较可缩短MRI检查的时间。CS理论认为，如果能将信号变换到一个变换域中，使其具备稀疏的特性，用一个与其变换基不相干的观测矩阵对这个信号进行观测，可以将变换之前的高维信号投影到一个低维空间上，然后通过求解一个优化问题，就可以从这些少量的投影中以高概率重构出原信号[8-9]。在MRI检查中，实现CS的要求是[1]：①MR图像的稀疏表达，目标图像在已知转换域中具有稀疏表达特性，也就是说图像具有可压缩性；②k空间亚采样引起的混叠伪影在该转换域中不相干；③非线性重建方法强化重建图像的稀疏性和数据的一致性。

本研究选择3D-MRA成像进行CS应用的测试，是综合考虑上述各种因素而决定的。在3D-MR成像中，其相位编码(ky)和层选相位编码(kz)均可以实现亚采样，即CS采样矩阵是二维的，比2D成像的采样矩阵高出一个维度[1]，其转换域中的信号相关程度更低，很好地满足了CS原理的前提条件[5-7]。3D TOF MRA为神经系统血管病变的常规检查方法，针对这个序列的临床应用探索如果取得有效的结果，受益的临床检查数量将会很多。

本研究中CS-MRA与R-MRA序列中设置的TR时间相同，均为25ms，其他采集参数也完全相同。由于TR时间是固定不变的，两个序列的时间分辨力tRes由相位编码和层选编码步数决定。CS加速序列中NP和NS经过CS编码后减少了编码步数，因而直接缩短了采样时间，提高了成像的时间分辨力。在3D-MRA序列全采样时采集到的k空间点数假设为S0，根据CS优化后的亚采样轨迹，Si/S0=1/2，实现了2倍加速成像，扫描时间由5min49s减少到了2min54s。

通常情况下，如果对亚采样数据进行直接傅里叶重建，图像会出现混叠伪影，这是由于k空间数据填充过程中丢失了部分数据点，重建时发生能量泄漏产生了类似于噪声的伪影。根据CS原理及重建算法，则能有效恢复出目标图像[10-12]。在CS重建过程中，可选择不同权重去除伪影，而产生多组图像，如DS5、DS10、DS20，其中DS20的图像噪声最高。同时应注意到，图像的诊断效能并非只由噪声水平决定，而是多种因素共同作用的结果，因此主观评价的结果对临床应用的指导意义更大。CS图像的SNR与传统SNR的概念不完全相同， 传统意义的SNR测量不适合用于评估CS的非线性重建图像。例如，想得到很高的SNR时，可将正则化参数(regularization parameter)设为较大的值，但重建结果可能对临床是不利的。这样处理的结果虽然可以得到"干净"的图像，但小病灶的细节不能显示，图像对比变差。因此在不同临床场景下，CS的降噪参数如何设定必须由医生根据实际情况决定，这也是本研究测试的主要内容之一。主观评价的结果显示两位阅片者较多地选择DS20做为最佳图像用于诊断，提示未来使用类似本研究中的序列参数进行头MRA扫描时，可以首选DS20进行CS图像的重建。

本研究的特点之一是直接使用同一受试者的R-MRA与CS-MRA扫描数据进行比较。由于CS原理是k空间的亚采样，所以理论上可以使用k空间全采样的数据，抛弃其中一部分数据后再进行反向傅里叶变换，也可认为是得到了“模拟”CS图像。在既往CS的研究中多使用这种模拟的方法，而本研究在大量前期测试的基础上[5-7]，在真实临床场景下直接使用CS扫描，结果更加可信。在初步验证了CS-MRA检查的可行性之后，应进一步研究其诊断效能，理想的方法是进行大规模、多中心临床试验以在不同疾病情况下，比较CS-MRA与R-MRA对疾病诊断效能的差异。

虽然对CS临床应用的初步探索得到较好的结果，但是应注意到CS技术的局限性，在临床常规应用之前，仍有很多问题需要解决，其中最重要的是各个检查部位的CS参数选择和优化，这是CS临床应用的必要前提条件[13]。CS在不同部位使用时，采样方式、扫描参数、稀疏变换的选择和设定等，需要大量测试以达到优化的组合。在真实的临床场景下，对每个患者的MR扫描都进行大量试错是不现实的，这是CS临床应用的最大困难。目前临床工作中，重建图像时间较长也是影响其临床应用的因素之一。可能的解决方案是针对不同的、特定解剖区域的图像进行CS测试，由于固定区域的MR观察任务常常是确定的，图像特征有较强的一致性，所以CS参数可以设置得相近。

在选择临床应用场景时，要考虑到各个部位疾病的特点。图像压缩后不能影响诊断，这是CS应用的前提条件，而"影响诊断"的图像因素很多，包括：SNR、CNR、体素大小、特定疾病的影像特征等[14]。即使是图像性质相同，图像中的病变不同时，CS的诊断效能也可能不同[15]。从影像特征角度考虑，由于MRA图像中的观察目标比较单一，仅为高亮信号的血管，所以CS应用较易获得推广[16]。而对于实质脏器的观察，CS图像质量的评估则要更复杂[17]。因此CS临床应用的另一个前提条件是，应针对不同解剖区域，建立一套特定的CS图像质量评价方法，做到对图像质量和诊断效能的标准化验证。只有经过上述验证后，才能将CS设置到常规临床扫描方案中。影像专家应在充分了解CS技术对解剖结构和疾病显示的影响后，才能有信心地应用这项技术。随着CS理论和算法本身的不断发展，在临床应用中的探索应是持续进行的[12]。目前评价CS图像质量的方法通常是由影像科医师盲法阅片、主观定性评价的，未来应建立起一套针对CS的图像质量评价标准，自动地进行图像质量的评价，包括对图像中特定解剖结构和病变的评价等。

总之，CS技术可用于3.0T MR扫描仪行头MRA检查，初步探索的结果证明，缩短扫描时间的CS-MRA图像得到阅片者的认可，可进一步行诊断效能的研究，以推动实现真正的临床应用。

(志谢：感谢飞利浦公司卓芝政在技术上的支持。)

[1] Lustig M,Donoho D,Pauly JM.Sparse MRI:the application of compressed sensing for rapid MR imaging[J].Magn Reson Med,2007,58(6):1182-1195.

[2] Geethanath S,Reddy R,Konar AS,et al.Compressed sensing MRI:a review[J].Crit Rev Biomed Eng,2013,41(3):183-204.

[3] Compressed Sensing MRI:a review of the clinical literature[J].Br J Radiol,2015,88(1056):20150487.

[4] 王水花,张煜东.压缩感知磁共振成像技术综述[J].中国医学物理学杂志,2015,32(2):158-162.

[5] Chen B,Zhao K,Li B,et al.High temporal resolution dynamic contrast-enhanced MRI using compressed sensing-combined sequence in quantitative renal perfusion measurement[J].Magn Reson Imaging,2015,33(8):962-969.

[6] Li B,Li H,Li J,et al.Relaxation enhanced compressed sensing three-dimensional black-blood vessel wall MR imaging:Preliminary studies[J].Magn Reson Imaging,2015,33(7):932-938.

[7] Li B,Dong L,Chen B,et al.Turbo fast three-dimensional carotid artery black-blood MRI by combining three-dimensional MERGE sequence with compressed sensing[J].Magn Reson Med,2013,70(5):1347-1352.

[8] Candes EJ,Romberg J,Tao T.Robust uncertainty principles:exact signal reconstruction from highly incomplete frequency information[J].IEEE Trans Inf Theory,2006,52(2):489-509.

[9] Donoho DL.Compressed sensing[J].IEEE Trans Inf Theory,2006,52:1289-1306.

[10] 康瑞瑞,曹斌,王斌,等.基于小波与剪切波的压缩感知纵向MR成像[J].北京交通大学学报,2017,41(3):127-132.

[11] 张红雨.基于向量稀疏和矩阵低秩的压缩感知核磁共振图像重建算法[J].天津理工大学学报,2017,33(1):25-29.

[12] 葛永新,林梦然,洪明坚.联合局部和全局稀疏表示的磁共振图像重建方法[J].重庆大学学报,2017,40(1):93-102.

[13] Sharma SD,Fong CL,Tzung BS,et al.Clinical image quality assessment of accelerated magnetic resonance neuroimaging using compressed sensing[J].Invest Radiol,2013,48(8):638-645.

[14] Chan KK,Lou SL,Huang HK.Full-frame transform compression of CT and MR images[J].Radiology,1989,171(3):847-851.

[15] Ozturk-Isik E,Marshall I,Filipiak P,et al.Workshop on reconstruction schemes for magnetic resonance data:summary of findings and recommendations[J].R Soc Open Sci,2017,4(2):160731.

[16] Fushimi Y,Okada T,Kikuchi T,et al.Clinical evaluation of time-of-flight MR angiography with sparse undersampling and iterative reconstruction for cerebral aneurysms[J].NMR Biomed,2017,30(11):3774.

[17] Feng L,Benkert T,Block KT,et al.Compressed sensing for body MRI[J].J Magn Reson Imaging,2017,45(4):966-987.