基于深度学习重建算法HASTE序列肝脏MR图像质量:与BLADE序列的对照研究

张楠,刘锴,傅彩霞,陈财忠,孙海涛,曾蒙苏

肝脏T2WI对于显示肝脏解剖结构和病灶形态至关重要。常规T2WI通常使用快速自旋回波序列在呼吸导航下进行,但易受到呼吸模式的影响从而导致扫描时间长、图像质量不稳定等问题[1]。刀锋伪影矫正(BLADE)序列的应用可以降低呼吸运动的影响,但仍然需要使用呼吸触发或多次屏气来完成全肝扫描,因此无法保证每次激发时肝脏位置保持一致,从而使得图像扫描层面的连续性受到影响,最终会影响到对病灶的显示。另外,多次屏气方法不仅扫描时间长[2],而且身体比较虚弱的患者很难配合完成。半傅立叶采集单次激发快速自旋回波(half-fourier acquisition single-shot turbo-spin-echo,HASTE)序列由于采集时间较短,对运动不敏感[2]。但HASTE序列因为采用了非常长的回波链长度,同时采用半傅立叶采集,导致图像模糊且信噪比低[3]。怎样能在最短时间内得到符合临床检查要求的图像是目前MRI检查中遇到的主要困难。基于深度学习的图像重建是继并行成像和压缩感知之后的又一革命性的MR成像加速方法,并已被证明在临床上是可行的[3-7]。本研究拟探讨基于深度学习重建方法的HASTE(deep learning HASTE,HASTEDL)序列在肝脏检查中的应用价值。

材料与方法

1.临床资料

2022年6月-12月前瞻性纳入有肝脏占位性病变的患者。纳入标准:①完成腹部增强MRI检查;②经病理检查确诊为肝细胞肝癌(hepatocellular carcinoma,HCC)或肝内胆管细胞癌(intrahepatic cholangiocarcinoma,ICC),或综合临床资料和典型影像学表现而诊断为肝脏转移瘤、肝血管瘤或肝脏局灶性结节增生(focal nodular hyperplasia,FNH)。排除标准:①综合临床资料和典型影像学表现确诊为肝脏囊肿;②腹内有金属植入物。最终纳入36例患者,男28例,女8例,平均年龄(57.3±12.8)岁;36 例共计45个病灶,经手术或穿刺活检取得病理学诊断,包括 HCC 22个、ICC 4个、肝脏转移瘤6个、肝血管瘤9个和FNH 4个;肿瘤最大直径(3.24±2.12) cm。

本研究经本院伦理委员会审核通过(B2021-425R),所有志愿者签署了知情同意书。

2.MRI检查方法

使用Siemens Magnetom Prisma 3.0T超导磁共振仪和18通道腹部线圈,对36例临床拟诊为肝脏实质性占位的患者行上腹部MRI扫描。嘱患者在检查前禁食、禁水4 h。扫描方式为仰卧位、头先进。扫描序列包括HASTEDL、BLADE及临床常规扫描序列(T2WI,T1WI,DWI,MRCP),HASTEDL和BLADE序列的主要扫描参数见表1。

表1 HASTEDL和BLADE序列扫描参数

HASTEDL序列所用图像重建方法包括固定的迭代重建方案或变分网络[8-9],在数据保真和基于卷积神经网络(convolutional neural networks,CNN)正则化之间交替进行。其中,正则化模型基于迭代网络层级设计,即经过多次编码和解码过程来提升或降低特征图的分辨率,从而可获得比传统神经网络更高效的模型。目前该模型已被超过1万帧的1.5T和3.0T常规HASTE和TSE图像进行了训练。

3.图像处理及分析

图像质量的主观评分:由两位观察者(分别具有MR诊断经验3和6年)采用双盲法在一定的条件下(窗宽240 HU,窗位226 HU)对图像质量进行主观评分,主要评估内容为肝脏病灶边缘的锐利度和图像伪影两方面,采用5分制,评分标准详见表2。

表2 图像质量评分标准

此外,对层面的连续性进行评分,采用2分制(0分:发生层面不连续;1分:没有发生层面不连续),并计算图像错层率(发生层面不连续的患者数量与患者总数的比值)。

图像质量的客观评价:将图像传至西门子工作站syngo.via。两位观察者分别于肝门水平的肝右叶和肝左叶、病灶显示最大层面及其相应层面同一相位方向的右侧背景区放置ROI(肝内ROI大小约为210 mm2,背景区约为310 mm2),ROI放置于信号均匀处,应避开血管和肝管,测量两组图像上肝右叶和肝左叶实质、病灶信号值(signal,SI)及背景区SI的标准差(standard deviation,SD)作为噪声 (noise,N),计算肝实质(肝左叶和肝右叶的平均值)和病灶的信噪比(signal to noise ratio,SNR)和病灶的对比噪声比(contrast to noise ratio,CNR),计算公式:

(1)

(2)

(3)

对病灶的评估和测量:在病灶显示最大层面测量病灶的最大径(diameter,Dmax)。分别计算两个序列的图像上病灶的检出率。以增强扫描观察到的病灶数作为金标准,并且至少两位专家分别计算,取得一致意见,若不一致,再由第三位专家进行仲裁的方法来确定总病灶数。病灶检出率为检出的病灶数与总病灶数的比值。

4.统计学分析

使用SPSS 21.0软件进行统计学分析。应用组内相关系数(ICC)对两位医师的测量数据进行一致性分析,ICC≤0.4表示一致性较差,0.4

结 果

1.一致性检验

两位医师对两组图像的主观评分、肝右叶和肝左叶实质及病灶的SI及图像噪声的测量结果的一致性均为良好(ICC均>0.75)。取高年资医师的测量数据进行后续分析。

2.图像质量主观评分的比较

HASTEDL组和BLADE组中病灶边缘锐利度和图像伪影的主观评分结果见表3和图1、2。两组之间锐利度的主观评分的差异无统计学意义(P>0.05),HASTEDL组图像伪影主观评分显著高于 BLADE 组,差异有统计学意义(P<0.001)。

图1 女性患者,40岁,有肝肿瘤病史,肝内多发转移灶。a)单次屏气HASTEDL-T2WI图像,肝左叶内小结节灶显示清晰(箭);b)多次屏气BLADE-T2WI图像,肝左叶近胃壁处病灶显示欠清(箭);c)同层面增强动脉期T1WI,病灶呈边缘强化(箭);d)同层面增强平衡期T1WI,显示呈环形强化的病灶(箭)。

表3 两个序列图像上图像质量主观评分结果

3.图像质量客观评价结果

两组图像质量客观评价及组间比较的结果详见表4和图3。HASTEDL组肝左叶和肝右叶的SNR、病灶的SNR和CNR均显著高于BLADE组(P<0.001)。两组间病灶的Dmax的差异无统计学意义(P=0.978)。

图3 两组图像上病灶CNR和SNR的箱式图及组间比较结果示意图。

表4 组间肝脏定量数据差异性结果

4.错层率和病灶检出率

BLADE组中图像的错层率高于HASTEDL组(44.4% vs.13.8%),差异有统计学意义(P=0.029)。本研究中36例患者共45个病灶,两个序列对病灶的检出率均为100%,没有遗漏病灶。

5.扫描时间

相对于多次屏气BLADE序列,单次屏气HASTEDL序列扫描时间缩短约82.3%(16s vs.90s)。

讨 论

T2WI对肝脏局灶性病变的检出和定性诊断起着关键作用[10],在肝脏恶性和良性肿瘤的鉴别以及肝脏恶性肿瘤分级的评估[如肝脏影像诊断和数据报告系统(Liver Imaging Reporting and Data System,LI-RADS)]等方面发挥着重要作用[11]。尽管T2WI序列在日常临床工作中经常应用,但在部分患者中由于采样时间与患者的呼吸运动难以协调,要获得满足诊断要求的图像质量仍然具有挑战性,尤其是在老年或重症患者中。呼吸运动伪影、图像模糊和层面错位等都有可能降低诊断的可信度,尤其是对于局灶性病变,其解剖结构的有效信息有可能被运动伪影所掩盖[8],或者因层面错位而丢失。因此,腹部成像技术的发展方向集中在可在更具运动鲁棒性的自由呼吸状态下或更短屏气时间的成像技术上。目前常用于肝脏T2WI的屏气序列为基于自旋回波的多次屏气TSE、BLADE和HASTE序列等。与传统TSE序列相比,BLADE序列应用螺旋填充K空间的方式提高了图像采集的运动鲁棒性,同时因为K空间中心数据多次累加而提高了图像信噪比。但与TSE序列一样,BLADE序列采集时间也比较长,通常需要至少4次屏气才能完成全肝扫描,使得层面错位和病灶遗漏的风险增加。HASTE序列采集时间较短,但通常图像较模糊,且也需要2～3次屏气才能完成全肝数据的采集。

我们的研究展示了使用基于深度学习重建算法的HASTE序列进行单次屏气T2WI扫描的方案。该扫描方案同时利用了深度学习重建方法能够高效提高图像信噪比和清晰度,以及HASTE序列快速采样的优点,使得在单次屏气情况下完成全肝扫描能够获得满足诊断要求的T2WI图像。与传统BLADE序列进行对比,基于深度学习重建的HASTE序列既能够实现更短的扫描时间,又能保证病灶的清晰显示。尤其是在扫描时间方面,HASTEDL序列的扫描时间较BLADE序列减少了80%以上,这为工作流的优化和MRI临床使用效率的提高提供了有力的支持。

本研究结果显示采用HASTEDL序列进行T2WI扫描仅需一次屏气,而BLADE序列需4次屏气;HASTEDL组中肝组织和病灶的SNR以及病灶-肝实质的CNR皆显著高于BLADE组(P<0.05),HASTEDL组的图像错层率显著低于BLADE组(P<0.05);病灶最大径的测量值在两组之间的差异无统计学意义(P>0.05)。此外,主观评价方面,HASTEDL组的图像锐利度与BLADE组无明显差异(P>0.05),但伪影较BLADE组显著减少(P<0.05);HASTEDL组层面连续性好,使得病灶在HASTEDL图像上的显示更加清晰完整。

HASTE序列使用长回波链和半傅里叶采集技术实现单次激发完成单层面采集,显著缩短了肝脏T2WI的扫描时间,减少了呼吸运动可能带来的伪影。但长回波链会造成图像模糊,故通常HASTE序列并不适合于实质性脏器的成像。DL技术的快速发展对传统成像技术带来了新的突破。基于深度学习的重建方法可提高短时间采集的高分辨图像的信噪比[7,12],从而解决了传统HASTE序列图像质量不足的问题,为快速T2WI提供一种新的高质量重建方法。本研究中使用的DL技术是基于最为成熟的CNN算法,发挥了DL在重建中高清晰度和去伪影的优势。以CNN作为运算模块是以海量的高质量图像进行基础训练为前提的,从而保障了图像细节的完整表达,不会影响成像的细节。DL的学习方法,通过训练深度神经网络来重建采样不足的k空间数据、它将k空间的测量值(或零填充重建)作为输入并产生重建的图像。这些方法实现更快的图像重建速度,同时又可保持相当高的图像质量,弥补了HASTE采样法K空间信息不足及可视化图像噪声水平大的问题。深度学习已经成为一个非常重要的研究和发展领域,具有深远的潜力[13]。

在医学成像领域,已有研究发现深度学习技术可以应用于提高MRI图像重建速度等方面。通常加速图像重建的方法包括并行成像(parallel imaging,PI)和压缩感知(compressed sensing imaging,CS)成像,但这2种技术仍然存在欠采样伪影等缺点[14]。传统的CS图像重建相当于并行成像、稀疏采样和图像去噪的组合。并行成像是通过数据一致性项,变换域稀疏假设驱动进行图像去噪。典型的迭代优化算法的模式研究数据一致性和图像正则化。DL重建的架构复制了PI重建的迭代优化。然而,它使用可训练组件的数据与传统算法相比,可训练的数据可以实现更快的计算速度。深度学习使我们能够将优化的关键工作从在线重建阶段转移为预先的离线训练任务,在原始数据和图像之间进行合适的转换,从而实现逆变换关键参数的改进,使其可以作为模拟流程操作应用于所有新数据,在数据保真和基于CNN正则化之间交替进行,该模型已经在HASTE序列中完成训练。本研究结果显示HASTEDL序列在肝脏占位性病变的检出和图像质量等方面均具有临床应用价值。

本研究存在的不足之处:一,纳入的样本量比较小,且为单中心研究;二,本研究中没有对肝占位性病变进行分类,不同病变的SNR和CNR等指标可能有不同表现。在今后可适当扩大样本量进一步论证,并对病变进行分类分析,以得到更客观可靠的结果。

综上所述,单次屏气HASTEDL序列能显著缩短肝脏T2WI的扫描时间,减少图像错层的情况,提升图像质量而不影响病灶的检出,具有较好的临床应用价值。