基于磁共振Dixon图像深度学习进行模拟CT骨重建的研究

刘克明，曲源，赵洪飞，黄琼，毋晓萌，尚斐

磁共振成像(magnetic resonance imaging，MRI)可以很好地显示软组织，对骨皮质等钙化组织无法直接显像，骨性结构的显示仍旧依赖于X线和CT。MR骨显像是发现病变累及骨结构的有益补充[1]；利用骨结构信息进行图像信号衰减校正，能改善PET/MR图像重建的精确性[2-3]；MR骨重建图像可以优化放疗剂量规划[4]。目前，已有专门的MR序列用于骨结构显像，但其技术特殊性使得临床应用并不广泛[5]。基于卷积神经网络(convolution neural network，CNN)的深度学习方法已被广泛应用于图像的组织分割、病灶识别[6-9]，而基于MR水脂分离(Dixon)图像的深度学习方法应用于骨重建同样可行[10]。本研究是利用Dixon图像，采用不同图像类型组合的深度学习方法进行颅骨重建，通过比较颅骨重建结果，对不同的骨重建效果进行评估。

图1 U-net结构网络框架模型训练技术路线，使用单种图像和图像组合进行颅骨重建，共完成11种方法。

材料与方法

1.一般资料

2021年6月-8月共21名健康志愿者，男12例，女9例，年龄35.5±10.28岁。纳入标准：①无先天颅骨畸形或外伤病史；②无颅内肿瘤或脑积水。任何有累及颅骨的疾病的患者均被排除。本研究经医院伦理委员会批准，签署知情同意书。

2.检查方法

头颅CT使用Siemens扫描仪(Siemens Force,Germany)，仰卧位头先进，扫描范围从颅顶到下颌骨。视野250 mm×250 mm，层厚5 mm，管电压125 kV，管电流300 mA，骨重建图像分辨率为512×512。MR使用3.0T扫描仪(Philips Ingenia,Netherlands)，18通道头线圈，行三维快速梯度回波水脂分离(3D FFE mDixon)成像。视野240 mm×240 mm，体素1 mm×1 mm，层厚5 mm，TR 4.2 ms，TE 1.3 ms、2.6 ms，翻转角20°，重建水相、脂相、同相位、反相位图像。

3.图像处理

将CT和MR图像标准化成256×256矩阵，刚性配准实现解剖结构对齐。在CT图像上将大于150 HU和400 HU像素点作为颅骨组织，分别生成二值图像。

在深度学习网络模型训练中，随机选取16例数据作为训练集，5例作为测试集。技术路线见图1，采用U-net结构网络框架进行训练时，使用单种图像和图像组合进行颅骨重建，完成以下两种模型：①单一模型：将每例数据的单种图像，分别作为输入进行模型训练，预测概率值大于0.5为头骨；②集成模型：将每例数据的4种图像相互组合，预测结果进行或操作，结果为真即为颅骨。

深度卷积神经网络基于2D U-net架构，共5层，每层包含卷积、池化、激活操作，卷积核大小为3×3，步长1，采用2×2最大池化，激活函数为修正线性单元(ReLU，Rectified Linear Unit)。优化器采用自适应矩估计(Adam,Adaptive Moment Estimation)，代价函数为交叉熵，训练初始学习率设置为0.001，每经过100个Epoch衰减为原先的1/10，Batch size为40，Epoch为500次。训练过程中，采用旋转([-30, 30])、镜像和尺度变化([0.9,1.1])进行数据扩增。使用TensorFlow(http://www.tensorflow.org)搭建模型，操作系统为64位Ubuntu 20.04，语言平台为Python 3.8。运算工作站配置CPU为Inter Core i9，内存64.0 GB，独立显卡NVIDIA RTX 3090，显存24G。

4.统计学分析

采用戴斯相似性系数(dice similarity coefficient，DSC)、准确度(accuracy，ACC)、敏感度(sensitivity，SENS)和特异度(specificity，SPEC)等指标对骨重建效果进行评估，TP(true positive)为真阳性区域，TN(true negative)为真阴性区域，FP(false positive)为假阳性区域，FN(false negative)为假阴性区域，公式如下：

图2 男，36岁。阈值为150HU和400HU条件下CT和MR颅骨三维表面重建。a、c、e)为150HU阈值 CT颅骨、水相和同相位、水相脂相反相位图像重建颅骨; b、d、f)为400HU阈值CT颅骨、水相和同相位、水相脂相反相位图像重建颅骨。在阈值为150HU时，颅骨结构更加完整、颅骨表面更加平滑、饱满，阈值为400HU时，MR重建面颅结构有部分缺失(箭头)。

表1 5例测试集不同Dixon图像类型组合颅骨重建方法的统计结果

(1)

(2)

(3)

(4)

结 果

采用Dixon图像进行颅骨预测时，以CT值400 HU为阈值，水相图像颅骨重建的DSC值要优于其他单种图像(0.753 ± 0.033)，准确性最高(0.962±0.006)，水相和同相位图像组合预测颅骨的DSC值最优(0.760± 0.038)；以CT值150 HU为颅骨阈值，单一同相位重建准确性最高(0.956±0.008)，水相和反相位图像组合颅骨重建DSC值最优(0.795±0.040)。CT值取不同阈值时，四种图像组合预测的敏感度最高，反相位图像进行预测时特异度最高。与400 HU阈值相比，150 HU的重建结果敏感度(0.855±0.052 vs. 0.880±0.050)最高，特异度有所下降(0.982±0.004 vs. 0.977±0.004)，见表1。

5例测试集颅骨二值图像均可进行三维表面重建(Medixant, RadiAnt DICOM Viewer 2021.1)，其中1例水相和同相位、水相脂相同相位图像组合三维重建颅骨与CT三维图像的结果对照见图2。

讨 论

利用深度学习卷积神经网络技术将MR图像进行骨重建，对判断病变累及骨骼、PET/MR图像衰减系数校正以及放疗计划电子密度位图生成、减少X线辐射、避免受试者转运导致的配准偏差，都有重要的临床价值。

目前已有多项研究利用磁共振T1加权图像[11]、Dixon[12]、超短TE(UTE)或零TE(ZTE)图像[13]等进行CT图像骨重建、伪CT图像重建。在涉及到的多种重建方法中，深度学习方法显示了其优越性[11-14]。Han等[11]采用U-Net网络基于T1加权图像进行重建，通过迁移学习和深层网络结构提高重建效果。Gong等[10]采用GroupU-Net架构结合Dixon和ZTE图像进行骨重建，相比于单一的Dixon序列重建效果有所提升(DSC：0.80±0.04 vs. 0.76±0.04)。本研究采用经典的U-Net模型进行训练，通过Dixon多对比图像的组合优化，实现了与Dixon和ZTE结合相当的重建效果(DSC：0.795±0.04 vs. 0.80±0.04)。同时，本文采用2D训练策略和数据增强进一步扩增训练数据量，该方法在小样本任务的重建测试中显示出较好的鲁棒性。

Dixon四种对比图像可实现脂肪、脑组织、肌肉等成份的区分，但在骨重建时，不同对比图像的选择可能导致信息的冗余或缺失。本文对比了Dixon单种图像和多种图像组合共11种方式的重建效果。结果显示，阈值为400 HU时水相和同相位的组合DSC值最优，在阈值为150 HU时，水相和反相位的组合DSC值最优。在不增加临床扫描序列的前提下，通过Dixon图像自身的优化可以实现颅骨重建效果的提升。由于颅骨尤其是颅底结构的复杂性，手工勾画骨结构的方法并不可行，因此本研究采用通行的阈值分割法生成颅骨结构的金标准，考虑到密质骨、松质骨在CT值上的差异，采用了两个阈值进行颅骨重建。在阈值为150 HU时，重建颅骨具有更高的DSC值和敏感性，在阈值为400 HU时，重建的准确性和特异性更高。

本研究验证了通过Dixon四种图像及其图像组合重建二值法骨图像的可行性，但仍有一些不足：①利用Dixon图像只进行了二值骨重建，不同CT阈值对骨组织标识可能带来偏差，但本研究为选择最优图像类型进行骨重建提供了依据；②未能引入最新的UTE或ZTE图像进行骨组织重建，本研究选择最常用的Dixon图像，在临床中更有实用性；③本试验病例数相对较少，深度学习卷积神经网络参数调节可能带来部分参数误差，今后要继续收集大样本数据，以期待更有效稳定的研究结果。

本研究利用磁共振Dixon水脂分离多对比图像，采用深度学习卷积神经网络的方法进行颅骨二值图像重建，通过比较不同阈值颅骨重建结果，在400 HU为阈值时水相和同相位图像结合进行颅骨重建的效果最优，在150 HU为阈值时水相和反相位图像结合进行颅骨重建的效果最优，随着阈值下降，颅骨重建的敏感性增加，但特异性下降。