MRI对Duchenne型肌营养不良患者大腿肌肉评估的研究进展

摘要：Duchenne型肌营养不良（DMD）是一种高致残性及高致死性的遗传性神经肌肉疾病，其起病隐匿且进展较快，目前还没有治愈的方法。由于MRI可以无创性检测骨骼肌中病理改变并且量化疾病程度等优点，近年来，在神经肌肉疾病中的应用越来越广泛。本文针对常规MRI、定量MRI、多参数MRI以及MRI结合人工智能对监测Duchenne型肌营养不良患者的疾病程度进行综述，提出目前最新的研究进展及现阶段的局限性，并为后期展开相关研究，为疾病的诊断和精准量化病变肌肉的状态与监测肌肉病变的进展程度提供参考。

关键词：Duchenne型肌营养不良；骨骼肌；磁共振成像；定量磁共振；深度学习

Research progress of MRI assessment for thigh muscle in patients with Duchenne muscular dystrophy

WANG Yile1， YAN Rui1， 2

1School of Medical Technology， Shaanxi University of Chinese Medicine， Xianyang 712046， China; 2Medical Imaging Center， Northwest Women's and Children's Hospital， Xi'an 710061， China

Abstract： Duchenne muscular dystrophy （DMD） is a highly disabling and lethal inherited neuromuscular disorder with insidious onset and fast-growing course， which currently has no cure. In recent years， MRI has become more and more widely used in neuromuscular diseases， due to the advantages of non-invasive detection of pathological changes in skeletal muscle and quantification of disorder course. This article reviews the latest research progress and the limitations at this stage of MRI， quantitive MRI， multimodel MRI and MRI combined with AI in monitoring the disease in patient with Duchenne muscular dystrophy， and in order to serve as a reference for the early diagnosis， quantitative evaluation and monitoring the progress of muscle lesions.

Keywords： Duchenne muscular dystrophy; skeletal muscle; MRI; quantitive MRI; deep learning

Duchenne型肌营养不良（DMD）是一种致死性的神经肌肉疾病，为X染色体连锁隐性遗传病［1-4］，发病率占活产男婴的1/3500～1/5000，全球DMD的总患病率估计为4.8/10万人[5]。DMD患者的可编码抗肌萎缩蛋白的基因发生突变，使得肌肉中抗肌萎缩蛋白减少或缺乏，导致肌肉出现了进行性慢性炎症、肌肉坏死，继而发生不可逆性的脂肪替代和反应性肌纤维变性［1， 2， 6-8］。

DMD最主要的临床表现为进行性肌无力与肌萎缩，首先累及下肢肌群，尤其是大腿肌群［9］，随着疾病的进展，上肢轴肌和近端肌肉相继受累，并出现心脏、呼吸系统和骨科并发症。DMD预后差，目前尚无治愈方法，通过最佳护理，患者也很少能存活超过40岁。因此，早期诊断并对疾病程度进行精确量化及监测其进展，能有效帮助临床延缓患者肌无力和肌肉挛缩的发生并且尽可能延长其活动时间，提高患者的生存质量［10-12］。

1 "DMD的诊断与进展评估

1.1 "DMD的诊断

DMD患者多以体检发现不明原因血清肌酸激酶或转氨酶升高，或出现运动发育迟缓、肌无力等临床表现前来就诊。诊断DMD的金标准为基因检测与肌肉活检。基因检测中存在DMD基因致病性变异和（或）肌肉活检证实Dys存在质和（或）量的异常并排除其他导致Dys继发性表达缺陷的疾病均可以确诊DMD［11， 13］。

1.2 "DMD病变程度的评估

在量化DMD疾病状态与评估疗效中，目前还比较依赖运动功能测试与肌肉活检［14， 15］。肌肉活检是有创的，并且不能够直观地显示整体肌肉脂肪浸润和水肿的程度［8， 16］。运动功能测试的最终结果可能会受到患者年龄、认知能力和动机等因素，以及研究人员自身的经验和主观意见的影响［7］。定量肌肉超声通过测定所选肌肉感兴趣区域（ROI）的平均灰度来测量肌肉回声，被证明有助于临床评估DMD［17］。但是超声对于深部肌群评估的能力是有限的，并且十分依赖操作者的技术水平［16］。而MRI作为一种非侵入性成像方法，由于其高软组织分辨率和无电离辐射等优点，能够较为清晰地分辨出肌肉、脂肪、结缔组织和骨骼。MRI是DMD患者肌肉损伤和疾病进展的敏感且可重复的技术方法［3， 4， 6， 7， 16， 18， 19］，并被用于评估DMD各阶段的治疗反应。

本文将对近年来MRI对DMD患者大腿肌肉疾病状况及病变进展的评估情况进行阐述，并展望其发展方向。

2 "MRI评估DMD下肢肌肉的研究进展

相比临床评估手段，MRI在肌营养不良症应用中的最大优势是能够无创性检测骨骼肌中微小的病理改变［8］。传统上，常常通过采集T1WI和T2压脂序列的图像，来分析DMD患者肌肉脂肪浸润和水肿程度，然后根据半定量评估标准对病变肌肉进行分级。除常规T1WI和T2WI序列外，近年来的定量MRI序列（qMRI）即T1 mapping、T2 mapping、水脂分离（Dixon）、磁共振波谱（MRS）以及基于肌肉MRI的深度学习研究在DMD患者下肢肌肉的诊断与客观监测疾病进展的应用中也逐渐增多。

2.1 "常规MRI序列

在MRI的T1WI和T2WI上肌肉均表现为中等信号，而韧带、肌腱、骨皮质、纤维软骨均表现为低信号，脂肪及骨髓均显示高信号，而水在T1WI上表现为低信号，T2WI上表现为高信号，但是T2WI上的高信号往往被脂肪信号掩盖，于是常用T2压脂序列和DWI序列对于DMD早期水肿进行评估，然后通过半定量评估标准（Mercuri标准［20］、kim标准［21］等）对肌肉的脂肪化及水肿化进行分级［22］。

目前研究集中在探讨DMD患者下肢肌肉的水肿及脂肪浸润程度，并通过横向及纵向观察寻找最早受累肌肉及受累最重肌肉并探究其生理病理转化过程，为临床制定早期治疗提供良好的生物学标志［7］。研究发现骨盆带肌和大腿肌群中以臀大肌、大收肌及股外侧肌的脂肪浸润评分最高；而缝匠肌、长收肌、股薄肌、半腱肌的脂肪浸润评分低，呈较为典型的“三叶一果”征［19］。臀大肌、大收肌及股外侧肌的早期脂肪化可间接表明承担着髋、膝等大关节运动以及维持站立姿势的主要肌肉通常受累较早且程度较重，对于下肢的浅表细长肌群，如长收肌、股薄肌、缝匠肌、半腱肌等，在关节活动中主要是作为辅助肌肉，并不涉及大幅度的收缩，因此，这些相对非主要功能的肌群受累程度较轻［3］。由此能对大腿不同肌肉脂肪浸润等级不同的这一现象进行推论，是否与肌肉的不同形状、功能以及分布位置有关［23］。此外，对于一些点突变的肌营养不良患儿而言，仅通过“阅读框架学说”来区分Becker型肌营养不良（BMD）和DMD存在一定困难，有学者发现MRI可以显示不同亚型肌营养不良的肌肉受累分布模式，进而推测MRI或许能成为临床医生对肌营养不良分型的一个参考依据［24］。有研究证明MRI可以反向推导不同编码区突变的DMD患者的病情程度及进展［25］。

尽管近年来MRI在DMD下肢肌群中的应用增多，但是针对不同肌肉脂肪浸润水平的病理生理探讨及不同肌肉对临床治疗敏感性水平的报道仍然不足，因此有望未来能够进一步完善相关研究。

2.2 "T1 mapping与T2 mapping技术

T1 mapping与T2 mapping是在轴位图像上手动勾画部分层面大腿肌肉的轮廓来获得相应的感兴趣区，生成拟合曲线和map图像、得出平均T1值、T2值及T2*值，最终获得ECV图以及伪彩图［26］。

T1值和T2值主要取决于肌肉中炎症、水肿以及脂肪浸润的水平［26-28］。有研究表明，T1值、T2值和肌肉脂肪评分分布趋势相似，臀大肌脂肪评分最高，而T1值最低，T2值最高；而股薄肌脂肪得分最低，而T1值最高，T2值最低，表明脂肪评分与T1值呈负相关，T2值呈正相关［26， 29］。随患者年龄增加，肌肉的T1值逐渐降低，T2值和FF值逐渐增加，并且T1值与临床评分量表如北极星移动评估量表（NSAA）评分呈负相关，而T2值与NSAA评分呈正相关［30， 31］。研究发现，在某些早期DMD患者中的T1值与T2值略高于对照组，表明T1值与T2值可能受肌肉炎症影响［26， 29］。

T1 mapping 与T2 mapping 均能很好地评价DMD患者的肌肉受累分布特征及病情的严重程度，并且相较于传统半定量评分，减少了医生判断的主观性，对医生经验的依赖性降低，结果更加的客观。目前，定量mapping作为一种无创定量MRI技术，已越来越多地应用于骨骼肌肉疾病中。

2.3 Dixon技术

Dixon技术是一种化学位移成像方法，使用了脂肪和水的同相/反相循环，从而进行水脂分离。通过Dixon序列1次采集可获得4组图像，即同相位、反相位、水像、脂像，同时缩短扫描时间，并通过脂相和水相的信号计算脂肪分数（FF），不易受炎症和水肿影响，因此，Dixon得到的数据更加准确［16， 19， 32］。

有研究表明T2WI-Dixon序列与常规序列相比，整体图像质量更优秀，并且与脂肪水肿的半定量评分一致性较好［16］。一项纵向前瞻性研究发现，股外侧肌的FF对失去下肢活动能力的DMD患者具有较好的预测价值［33］。有学者发现，所研究11块肌肉中的FF的AUC高于T2值，T2值的AUC高于T1值，因此得出FF的诊断效能要高于T1值和T2值［34］。研究发现臀大肌、股外侧肌FF高，而股薄肌FF低，并且FF和年龄之间呈正相关，随脂肪浸润程度增多而增加［19］。但也有研究发现大腿肌肉T2值的AUC高于Dixon序列测得的FF，推测或与处于进展前期的DMD患者大腿肌肉的主要病理改变以炎症水肿为主有关［35， 36］。

与常规MRI相比，Dixon技术能缩短扫描时间，降低运动伪影，提高图像质量，得到的FF反映肌肉脂肪浸润程度更客观、准确［16］。因此，广泛应用于腹部、脊柱以及四肢成像。但由于Dixon对于水肿评估效能一般［19， 32］，因此需要结合其他序列对肌肉水肿进行判断。

2.4 "多模态定量MRI

多模态定量MRI常包括T1 mapping、T2 mapping与Dixon序列，通过图像采集与后处理可以计算出不同肌肉的T1值、T2值与FF，对肌肉的病变程度进行全面精确的量化。

肌肉水肿可引起T1值增高，而肌肉脂肪浸润会使得T1值降低［37， 38］。T2值可以量化肌肉水肿和脂肪浸润，含水量增加和脂质均会导致T2值的增加［28］。FF能较好地反映肌肉脂肪浸润，其值越高，说明脂肪浸润越严重［34］。有研究发现T1值在伸肌、内收肌和外展肌中明显低于对照组而T2和FF在前肌、伸肌、内收肌和外展肌中明显高于对照组，说明T1值、T2值与FF在不同肌肉中的诊断效能中存在一定差异［30］。一项单个指标和多个指标联合诊断的研究发现在病变较严重的肌肉中如臀大肌、股外侧肌、大收肌等，FF无需联合T1值和/或T2值就能构建出极优的诊断效能，但在其余的轻、中度受累的肌肉中，单凭FF无法构建最优的诊断效能，需要进一步联合使用 FF+T1+T2或FF+T2才能予以实现［39］。此外，多模态定量MRI还能与运动功能量表与年龄相结合，构建一个预测模型，从而达到预测DMD病情进展与预后的能力［31， 40］。

因此，多模态定量MRI能更准确地描述DMD的疾病分布特征、量化疾病严重程度，并有望成为辅助DMD的临床诊断、量化疾病状态与监测疾病进展的有利无创影像学生物标记物。

2.5 "MRS

MRS是利用1H质子在不同化合物中共振频率的化学位移现象，无创性观察活体组织化合物组成成分、含量以及代谢定量检测技术。MRS可以直接测量脂质和1H质子信号，同时测得DMD患者的脂肪分数FF和水T2值，对肌肉脂质具有高敏感度，能够区分细胞内和细胞外脂质［41］。由于传统的MRS扫描时间长，近年来，高速T2校正多回波磁共振波谱（HISTO-MRS）通过使用多个短回波时间来纠正T2偏差，并使用长重复时间通过同时获得多个回波来纠正T1偏倚，使得其能更快、更准确的获取和测量脂质成分［42］。

有学者对比HISTO-MRS、Dixon得出的FF和T1WI上的脂肪评分发现，HISTO FF与Dixon FF与脂肪评分呈显著正相关，且HISTO FF与Dixon FF的AUC均高于脂肪评分（0.859、0.858、0.768）［42， 43］。有研究通过分析111例DMD患者不同疾病阶段的多种MRI生物标志物的可重复性、对病情进展的反应性和最小临床重要差异，表明MRS FF和T2的测量可靠且对疾病进展高度敏感［44］。

2.6 "基于MRI的深度学习

目前，常规MRI的半定量评估DMD是通过医生肉眼识别肌肉中的病变进而对肌肉进行分级，这高度依赖个人经验，并且对于病变表现相似的其他类型的肌营养不良可能会给初级医生造成困惑，因此容易造成误诊。qMRI对DMD评估需要医生在肌肉上手动勾画出感兴趣区域来提取定量参数。然而，这种手动勾画肌肉轮廓不仅依赖于医生的个人经验，而且也十分费时［45］。深度学习可以从医学数据中提炼出来特定的特征从而对特定图像进行分类，因此能够展现出有效的以及客观的诊断［46］。在深度学习领域主要包括对图像的自动分割模型以及分类诊断模型。

2.6.1 "自动分割模型 " 近年来，基于机器学习和深度学习算法的自动分割技术应用于骨骼肌、骨骼、皮下和肌肉间脂肪组织等受到越来越多的关注［47， 48］。

有学者通过深度神经网络方法结合T1WI对大腿12块肌肉以及小腿6块肌肉进行自动分割，在轻度脂肪化以及重度脂肪化的图像自动分割的Dice系数可达到88%以及93%，相较手动分割具有非常高的准确性［47］。有研究使用ImageJ在T1WI图像上分割量化大腿皮下脂肪、肌内脂肪及肌间脂肪，得出ImageJ分割方法和IDEAL-IQ脂肪定量之间有很强的相关性（r=0.998）［49］。有学者通过DCNN方法自动分割大腿4个功能肌群并得出的平均脂肪分数的ICCs总体上高于人工分割，并且对于每个大腿的分割时间仅为10～30 s［45］。有研究通过对比4种不同的卷积神经网络对大腿肌肉的自动分割模型效果得出HRNet的分割效果最好［50］。与人工分割相比，自动化分割方法在脂肪分数估计方面具有良好的分割准确性和更高的可重复性，并且极大节省了人为分割的时间。但目前，尚未有将自动分割模型应用于DMD患者的大腿肌肉以及评估其脂肪化和水肿化的相关报道。

2.6.2 "分类诊断模型 " DMD在MRI图像上的信号改变并非特异性，其他肌肉疾病如BMD等也存在相似病变分布规律［51］，从而在MRI图像上的差异很小，而这种微小的差异很难被医生肉眼区分。因此，可以通过深度学习来辅助诊断及鉴别DMD。目前，较为常见的深度学习网络包括：UNet、ResNet、DenseNet等等。

有学者采用了卷积神经网络中的ResNet50引入残差模块构建了一个特定医学分类模型，该模型可从原始信息中提取特征或通过额外的简单机器学习技术进行特征学习，在432例多种肌肉疾病中诊断出DMD的准确度、F1评分、敏感性和特异性均优于放射科医生［46］。有研究通过对DMD和BMD的MRI图像进行分类学习，构建了SDL-XGBoost模型，在区分DMD与其他肌病中准确率为96.18%，精确度为87.60%，灵敏度为97.92%，特异性为95.64%，F-评分为92.44%，表现出优越的性能［52］。

3 总结与展望

MRI可以通过评估肌肉水肿及脂肪浸润程度来对DMD疾病进行早期诊断，并且能够客观评估疾病进展情况及判断其预后。但由于对DMD磁共振图像的评估具有较大的主观性，依赖于医生的个人经验。随着定量MRI逐渐普及，定量指标可以更好更客观地了解和评估疾病的特征并监测治疗效果。深度学习模型可以进行图像自动分割以及帮助医生鉴别DMD，极大地节省了医生诊断的时间，也提高了诊断的准确性。然而，深度学习有关DMD的研究较少，尤其是在DMD患者大腿多块肌肉同时分割以及病变肌肉的脂肪化和水肿化评估分级方面有待进一步的研究和应用。

参考文献：

［1］ " Grounds MD， Terrill JR， Al-Mshhdani BA， et al. Biomarkers for Duchenne muscular dystrophy： myonecrosis， inflammation and oxidative stress［J］. Dis Model Mech， 2020， 13（2）： dmm043638.

［2］ " Dowling P， Swandulla D， Ohlendieck K. Cellular pathogenesis of Duchenne muscular dystrophy： progressive myofibre degeneration， chronic inflammation， reactive myofibrosis and satellite cell dysfunction［J］. Eur J Transl Myol， 2023， 33（4）： 11856.

［3］ " "汪 "昌， 周 "洁， 石永光， 等. Duchenne型肌营养不良酶学与肌肉脂肪浸润度的研究［J］. 中国实用神经疾病杂志， 2021， 24（11）： 954-60.

［4］ " Alic L， Griffin JF 4th， Eresen A， et al. Using MRI to quantify skeletal muscle pathology in Duchenne muscular dystrophy： a systematic mapping review［J］. Muscle Nerve， 2021， 64（1）： 8-22.

［5］ " Salari N， Fatahi B， Valipour E， et al. Global prevalence of Duchenne and Becker muscular dystrophy： a systematic review and meta-analysis［J］. J Orthop Surg Res， 2022， 17（1）： 96.

［6］ "Birnkrant DJ， Bushby K， Bann CM， et al. Diagnosis and management of Duchenne muscular dystrophy， part 1： diagnosis， and neuromuscular， rehabilitation， endocrine， and gastrointestinal and nutritional management［J］. Lancet Neurol， 2018， 17（3）： 251-67.

［7］ "Suslov V， Suslova G， Lytaev S. MRI assessment of motor capabilities in patients with Duchenne muscular dystrophy according to the motor function measure scale［J］. Tomography， 2022， 8（2）： 948-60.

［8］ " Güttsches AK， Rehmann R， Schreiner A， et al. Quantitative muscle-MRI correlates with histopathology in skeletal muscle biopsies［J］. J Neuromuscul Dis， 2021， 8（4）： 669-78.

［9］ " Barnard AM， Willcocks RJ， Triplett WT， et al. MR biomarkers predict clinical function in Duchenne muscular dystrophy［J］. Neurology， 2020， 94（9）： e897- e909.

［10］ Duan D， Goemans N， Takeda S， et al. Duchenne muscular dystrophy［J］. Nat Rev Dis Primers， 2021， 7（1）： 13.

［11］ "中华医学会神经病学分会， 中华医学会神经病学分会神经肌肉病学组， 中华医学会神经病学分会肌电图与临床神经生理学组. 中国假肥大型肌营养不良症诊治指南［J］. 中华神经科杂志， 2016， 49（1）： 17-20.

［12］ "张 "成. 《中国假肥大型肌营养不良症诊治指南》解读［J］. 中国现代神经疾病杂志， 2018， 18（7）： 475-9.

［13］ "中华医学会罕见病分会， 北京医学会罕见病分会. 抗肌萎缩蛋白病中国诊断指南［J］. 中华医学杂志， 2024， 104（11）： 822-33.

［14］ "Wilton-Clark H， Yokota T. Biological and genetic therapies for the treatment of Duchenne muscular dystrophy［J］. Expert Opin Biol Ther， 2023， 23（1）： 49-59.

［15］ "Chesshyre M， Ridout D， Hashimoto Y， et al. Investigating the role of dystrophin isoform deficiency in motor function in Duchenne muscular dystrophy［J］. J Cachexia Sarcopenia Muscle， 2022， 13（2）： 1360-72.

［16］ "石采灵， 傅 "航， 郭应坤， 等. T2WI-Dixon序列在杜氏肌营养不良症患者肌肉脂肪浸润和水肿评价中的应用价值研究［J］. 磁共振成像， 2022， 13（7）： 96-102.

［17］ "Abdulhady H， Sakr HM， Elsayed NS， et al. Ambulatory Duchenne muscular dystrophy children： cross‑sectional correlation between function， quantitative muscle ultrasound and MRI［J］. Acta Myol， 2022， 41（1）： 1-14.

［18］ "Cristiano L， Brogna C， Tasca G， et al. Muscle-MRI and functional levels for the evaluation of upper limbs in Duchenne muscular dystrophy： a critical review of the literature［J］. Medicina， 2022， 58（3）： 440.

［19］ "白万晶， 李学胜， 李真林， 等. 磁共振冠状位T2 DIXON TSE序列评价DMD患儿双侧臀部和大腿肌肉脂肪替代数量和等级的应用研究［J］. 中国医疗设备， 2021， 36（10）： 126-31.

［20］ "Mercuri E， Pichiecchio A， Allsop J， et al. Muscle MRI in inherited neuromuscular disorders： past， present， and future［J］. J Magn Reson Imaging， 2007， 25（2）： 433-40.

［21］ Kim HK， Laor T， Horn PS， et al. T2 mapping in Duchenne muscular dystrophy： distribution of disease activity and correlation with clinical assessments［J］. Radiology， 2010， 255（3）： 899-908.

［22］ "何荣兴， 赖志芬， 梁颖茵. 骨骼肌MRI成像在Duchenne肌营养不良症的应用价值［J］. 中国CT和MRI杂志， 2024， 22（2）： 153-6.

［23］ "谢后林. 基于肌肉磁共振成像对Duchenne型肌营养不良患者肌肉损伤的研究［D］. 合肥： 安徽中医药大学， 2020.

［24］ "唐 "静， 张家鹏， 杨学军， 等. 磁共振成像在肌营养不良疾病诊断中的应用价值［J］. 中国当代儿科杂志， 2022， 24（11）： 1231-7.

［25］ Barnard AM， Hammers DW， Triplett WT， et al. Evaluating genetic modifiers of Duchenne muscular dystrophy disease progression using modeling and MRI［J］. Neurology， 2022， 99（21）： e2406-16.

［26］ Peng F， Xu HY， Song Y， et al. Utilization of T1-Mapping for the pelvic and thigh muscles in Duchenne Muscular Dystrophy： a quantitative biomarker for disease involvement and correlation with clinical assessments［J］. BMC Musculoskelet Disord， 2022， 23（1）： 681.

［27］ Wokke BH， Van Den Bergen JC， Hooijmans MT， et al. T2 relaxation times are increased in Skeletal muscle of DMD but not BMD patients［J］. Muscle Nerve， 2016， 53（1）： 38-43.

［28］ "Yin L， Xie ZY， Xu HY， et al. T2 mapping and fat quantification of thigh muscles in children with Duchenne muscular dystrophy［J］. Curr Med Sci， 2019， 39（1）： 138-45.

［29］ "程晓悦， 肖江喜， 杜 "婧， 等. MR T2mapping成像在Duchenne肌营养不良症中的应用［J］. 国际医学放射学杂志， 2018， 41（2）： 146-50.

［30］ Song Y， Xu HY， Xu K， et al. Clinical utilisation of multimodal quantitative magnetic resonance imaging in investigating muscular damage in Duchenne muscular dystrophy： a study on the association between gluteal muscle groups and motor function［J］. "Pediatr Radiol， 2023， 53（8）： 1648-58.

［31］ Sherlock SP， Zhang Y， Binks M， et al. Quantitative muscle MRI biomarkers in Duchenne muscular dystrophy： cross‑sectional correlations with age and functional tests［J］. Biomark Med， 2021， 15（10）： 761-73.

［32］ "Omoumi P. The Dixon method in musculoskeletal MRI： from fat-sensitive to fat‑specific imaging［J］. Skeletal Radiol， 2022， 51（7）： 1365-9.

［33］ Naarding KJ， Reyngoudt H， van Zwet EW， et al. MRI vastus lateralis fat fraction predicts loss of ambulation in Duchenne muscular dystrophy［J］. Neurology， 2020， 94（13）： e1386-e1394.

［34］ "Peng F， Tang DQ， Qing WP， et al. Utilization of multi-parametric quantitative magnetic resonance imaging in the early diagnosis of Duchenne muscular dystrophy［J］. J Magn Reson Imaging， 2023. doi： 10.1002/jmri.29182.

［35］ "陈太雅， 林洁琼， 胡颖熠， 等. M-Dixon quant和T2-mapping对杜氏肌营养不良症患儿进展前期及进展期运动功能的评估［J］. 国际医学放射学杂志， 2024， 47（3）： 335-41.

［36］ "陈太雅， 胡颖熠， 黄 "杨， 等. 基于多回波M-Dixon quant技术和T2-mapping技术鉴别抗肌萎缩蛋白病分型的研究［J］. 放射学实践， 2024， 39（6）： 788-94.

［37］ "Leung DG. Advancements in magnetic resonance imaging‑based biomarkers for muscular dystrophy［J］. Muscle Nerve， 2019， 60（4）： 347-60.

［38］ Marty B， Carlier PG. Physiological and pathological skeletal muscle T1 changes quantified using a fast inversion‑recovery radial NMR imaging sequence［J］. Sci Rep， 2019， 9（1）： 6852.

［39］ "彭 "飞. Duchenne型肌营养不良症的多参数定量MRI与临床相关研究［D］. 南昌： 南昌大学， 2023.

［40］ "Kim S， Willcocks RJ， Daniels MJ， et al. Multivariate modeling of magnetic resonance biomarkers and clinical outcome measures for Duchenne muscular dystrophy clinical trials［J］. CPT Pharmacometrics Syst Pharmacol， 2023， 12（10）： 1437-49.

［41］ Reyngoudt H， Turk S， Carlier PG. 1 H NMRS of carnosine combined with 31 P NMRS to better characterize skeletal muscle pH dysregulation in Duchenne muscular dystrophy［J］. NMR Biomed， 2018， 31（1）： 10.1002/nbm.3839.

［42］ Xu T， Xu K， Song Y， et al. High‑speed T2‑corrected multiecho magnetic resonance spectroscopy for quantitatively detecting skeletal muscle fatty infiltration and predicting the loss of ambulation in patients with Duchenne muscular dystrophy［J］. J Magn Reson Imaging， 2023， 58（4）： 1270-8.

［43］ "Li ZY， Zeng HW， Han CX， et al. Effectiveness of high‑speed T2-corrected multiecho MR spectroscopic method for quantifying thigh muscle fat content in boys with Duchenne muscular dystrophy［J］. AJR Am J Roentgenol， 2019， 212（6）： 1354-60.

［44］ "Willcocks RJ， Barnard AM， Daniels MJ， et al. Clinical importance of changes in magnetic resonance biomarkers for Duchenne muscular dystrophy［J］. Ann Clin Transl Neurol， 2024， 11（1）： 67-78.

［45］ "Ding J， Cao P， Chang HC， et al. Deep learning‑based thigh muscle segmentation for reproducible fat fraction quantification using fat-water decomposition MRI［J］. Insights Imaging， 2020， 11（1）： 128.

［46］ "Yang M， Zheng YM， Xie ZY， et al. A deep learning model for diagnosing dystrophinopathies on thigh muscle MRI images［J］. BMC Neurol， 2021， 21（1）： 13.

［47］ "Agosti A， Shaqiri E， Paoletti M， et al. Deep learning for automatic segmentation of thigh and leg muscles［J］. MAGMA， 2022， 35（3）： 467-83.

［48］ "Gadermayr M， Disch C， Müller M， et al. A comprehensive study on automated muscle segmentation for assessing fat infiltration in neuromuscular diseases［J］. Magn Reson Imaging， 2018， 48： 20-6.

［49］ "严 "俊， 王 "玲， 黄益龙， 等. 基于轴位T1WI图像大腿肌肉脂肪浸润量化方法的可行性研究［J］. 磁共振成像， 2021， 12（12）： 49-54.

［50］ Hostin MA， Ogier AC， Michel CP， et al. The impact of fatty infiltration on MRI segmentation of lower limb muscles in neuromuscular diseases： a comparative study of deep learning approaches［J］. J Magn Reson Imaging， 2023， 58（6）： 1826-35.

［51］ "卜姗姗， 肖江喜， 朱 "颖， 等. MR定量功能成像对杜氏肌营养不良与贝氏肌营养不良的鉴别诊断［J］. 中国医学影像学杂志， 2021， 29（2）： 163-7.

［52］ "Gao P， Perkowski M， Li YW， et al. An automated deep learning based muscular dystrophy detection and classification model［J］. Comput Mater Continua， 2022， 71（1）： 305-20.

（编辑：郎 "朗）