磁共振指纹成像技术及临床应用的进展.pdf

第40 卷第2 期2023年0 6 月Chinese J Magn Reson,2023,40(2):207-219磁共振指纹成像技术及临床应用的进展波谱学杂志Chinese Journal of Magnetic ResonanceVol.40 No.2Jun.2023doi:10.11938/cjmr20223034黄敏1,2*，李思怡1，陈军波1,2，周到1,21.中南民族大学生物医学工程学院，湖北武汉430 0 7 4；2.医学信息分析及肿瘤诊疗湖北省重点实验室，湖北武汉430 0 7 4摘要：磁共振指纹（magneticresonance fingerprinting，M R F）是一种革新性的快速定量磁共振新技术，本文在成像技术和临床应用两个层面对MRF进行了综述。在成像技术方面，主要从数据采集、字典建立，以及传统量化框架到深度学习量化框架的模式识别这3个步骤进行论述，分析存在的技术难点然后对MRF在人体重要部位的临床应用进行了总结，介绍了MRF技术在重复性和再现性方面的验证现状.最后，本文分析了MRF走向临床存在的各种技术挑战及障碍，对MRF技术未来的发展方向进行了展望.关键词：磁共振指纹；数据采集；字典建立；模式识别；深度学习网络；临床应用；可重复性中图分类号：R318.0;R445.2文献标识码：AProgress of Magnetic Resonance Fingerprinting Technology and ItsClinical ApplicationHUANG Minl,2*,LI Siyil,CHEN Junbol,2,ZHOU Daol,21.School of Biomedical Engineering,South-Central Minzu University,Wuhan 430074,China;2.Hubei Key Laboratory of Medical InformationAnalysis and Tumor Diagnosis&Treatment,Wuhan 430074,ChinaAbstract:Magnetic resonance fingerprinting(MRF)is a revolutionary new technique for rapid quantitative magneticresonance imaging.We reviewed the imaging technology and clinical application of MRF in an all-round way.We focus onthree technical aspects:data collection,dictionary generation,and pattern recognition from traditional quantitativeframework to deep learning quantitative framework.We also analyzed the technical challenges and limitations of MRF.Theclinical applications of MRF in various human body regions were summarized,and the current status of MRF technologyverification in terms of repeatability and reproducibility was introduced.Finally,we discussed the potential barriers andopportunities for MRF to enter clinical application and envision the future development direction of MRF technology.Keywords:magnetic resonance fingerprinting,data acquisition,dictionary generation,pattern recognition,deep learningnet,clinical application,repeatability收稿日期：2 0 2 2-11-14；在线发表日期：2 0 2 3-0 2-16基金项目：湖北省自然科学基金资助项目(2 0 2 0 CFB837)；中央高校基本科研业务费专项资金资助项目(CZZ21006).通信作者(Corresponding author):*Tel:[phone],E-mail:.208引言磁共振成像（magnetic resonance imaging，M R I）是一种软组织对比度高的医学影像技术，在临床上发挥着巨大作用但常规MRI是加权成像，包括纵向弛豫时间（Ti）、横向弛豫时间（T2）、质子密度（protondensity，PD）和扩散加权等，无法通过一次扫描同时得到组织的多个参数的量化值而即使是对同一病人进行扫描，MRI扫描设备和成像序列的不同都会造成磁共振图像的灰度值不同对磁共振图像的评价多依赖于医生的主观性判断，因此这将对放疗涉及的靶区肿瘤分割等图像分析及后处理操作的稳定性产生影响，从而导致基于磁共振图像的临床诊断和治疗决策的不确定性增加、复杂性加剧 磁共振指纹（magneticresonance fingerprinting，M R F）技术可以突破这种局限性MRF采用特殊的数据采集、后处理和可视化方法，只需一次扫描便可对组织的多个特性参数进行同时量化，提高了MR研究的灵敏度和特异性，给临床诊断带来一种全新的方法.MRF是一种革新性的定量磁共振新技术2 0 13年，凯斯西储大学生物医学工程系的Ma和Griswold博士等2 首次在Nature上发表了关于MRF技术的论文.MRF通过单次扫描，可同时获得组织参数（Ti、T2、PD 等）和系统参数（主磁场不均匀度Bo*、射频场不均匀度B1*等）的量化值，从而实现快速稳健的多参数量化成像3，更准确的体现组织间的差别基于MRF获得的组织特征如同人的指纹一样具有唯一性，更有利于临床疾病诊断而且，基于与人工智能（artificial intelligence，A I）结合的定量检查可以制定更个性化的疾病诊疗方案4.在MRF以往的综述论文中，主要是从传统模式识别框架1.3-5 进行论述，或者针对MRF在单个部位（如心脏6）的应用进行讨论.本文对MRF的成像技术和临床应用进行了较全面地综述，第一部分讨论数据采集、字典建立，以及MRF传统量化框架和最新出现的深度学习（deeplearning，D L）量化框架的两类模式识别方法，分析各步骤中存在的技术难点：第二部分对MRF在人体重要部位的临床应用进行了总结第三部分针对MRF技术的重复性和再现性等多方验证进行论述.第四部分分析MRF走向临床存在的各种技术挑战及障碍，对MRF成像未来的研究和发展方向进行了展望.波谱学杂志第40 卷1MRF成像技术的进展不同于常规MRI技术，MRF技术在数据采集和数据处理方面都独树一帜，主要包含3个步骤：数据采集、字典建立、模式识别首先进行数据采集，即采用快速脉冲序列和欠采样轨迹采集原始数据然后实现字典建立，即根据数据采集的序列参数和组织的待量化参数范围，生成字典信号条目和参数表最后完成模式识别，即对采集数据进行重建得到空间每个体素的指纹，将指纹和字典信号进行匹配，再从参数表获得量化值.1.1数据采集实现MRF数据的快速采集需要设计独特的脉冲序列，其必须对组织参数（TI、T 2 等）有很强的敏感性.为保证空间和时间的非相干性，MRF扫描时采用多组伪随机变化的翻转角（flipangle，FA）、回波时间（echotime，T E）和重复时间（time ofrepetition，T R）组成的脉冲序列；在时间维尽可能多的扫描（50 0 30 0 0 组），且TR值很短（为十几毫秒）：而常规MRI只采用一组固定的FA和TR，T R 为几毫秒至几千毫秒.MRF技术首次提出时采用的是基于反转-恢复的平衡自由稳态进动序列（balanced steady state freeprecession，b SSFP)，在 Siemens Espree1.5T扫描仪上对大脑进行数据采集2 ，该序列在Siemens公司也被称第2 期为真稳态进动快速成像序列（truefast imaging with steady state precession，T r u e FISP）.T R 选取为10.5 14ms，TE为TR的1/2，螺旋欠采样因子为1/48，单支螺旋采集时长为5.8 ms.12.3s（时间维10 0 0 组）扫描一层12 8 12 8 的数据该序列采集的信号的信噪比（signaltonoiseratio，SNR）高，但对磁场不均匀度敏感，容易引起黑带伪影；可用于量化Ti、T 2 和Bo*，但不能量化B1*.2015年，Jiang等7 采用基于梯度回波的普通稳态进动快速成像序列（fast imagingwith steady stateprecession，FISP），在Siemens Skyra3T扫描仪上对大脑加速扫描，该序列也被称为自由稳态进动序列（steadystatefreeprecession，SSFP）采用2 ms的超短TE，随正弦变化的FA，带Perlin噪声的TR（11.5 14.5m s），单支螺旋欠采样，时间维10 0 0 组13s扫描一层2 56 2 56 的数据，空间分辨率更高该序列对偏振影响不敏感，不会出现bSSFP图像中的黑带伪影但采用FISP序列采集的MRF信号不如bSSFP序列的信号那么平滑，SNR更低；而且FISP采用非平衡梯度，Ti和T2量化精度比bSSFP序列稍低（低1%）采用FISP序列使MRF技术能拓展到大脑以外的其他成像部位，例如，对腹部进行屏气扫描此序列可用于量化Ti和T2，不能量化Bo*若还要量化B参数，可在FISP序列末尾引入9 0-0 的交替FA，增加序列对BI场不均匀度的敏感性8 .MRF除了最常用的bSSFP和FISP序列外，还可采用射频破坏梯度回波序列9 来同时测量TI和T2*，该序列的TE在14 7 5ms内平滑变化，FA变化与FISP序列相同，适合采用单次回波平面成像（echoplanarimaging，EPI）采集数据，但不能测量T2.MRF序列在MRF成像中至关重要，但序列设计时FA和TR参数可以随机变化任意组合，有无数可能性，如果都在仪器上进行实验来对比序列性能是不现实的有研究者提出了各种序列优化方法。Kara等10 和Sommer等向指纹中添加高斯噪声来仿真模式匹配中存在的混叠噪声，结合欠采样轨迹进行模拟采样和模式识别，比较不同序列的量化结果，从而优化序列后者!I通过内积最小化和蒙特卡罗模拟研究了MRF序列的编码能力Zhao等12 提出Cramer-Rao下限优化法，采用克拉美罗下限（Cramer-Raolowerbounds，CRLB）代价函数分析MRF序列对量化准确度的性能影响，寻找无偏估计的方差下限该方法被MRF领域用于优化FA和TR模式，以实现最佳序列设计2 0 2 2 年，Heesterbeek等13 利用微扰理论数学模型预测欠采样引起的误差通过不断调整FA来实现MRF序列优化，抑制MRF模式识别中的欠采样误差。他们用活体扫描比较了优化序列13、传统正弦FA模式序列2 、CRLB序列12 这三者与标准值的定量误差，结果显示优化序列的误差最小（Ti：5.6%2.9%，T 2：7.9%2.3%），传统序列次之，CRLB序列最大.Jordan等14则采用基于物理模型的DL网络给出优化方向损失函数采用大脑模型参数值与量化参数值之间的均方误差，并将扫描时间作为一项约束条件普通序列的FA按正弦变化，TR在11 13ms小范围变化；优化序列为FA局部正弦，并在TR中加入剧烈扰动结果显示优化序列得到的MRF信号更有区分度，在活体扫描中消除了训练时的量化伪影。MRF扫描速度很快，通常采用单支螺旋轨迹进行k空间欠采样2 ，或者径向星状轨迹的欠采样模式15,它们采集的信号在时-空上都具有非相关性也有少数采用笛卡尔轨迹（如EPI等）进行欠采样9 虽然k空间高倍欠采样（如螺旋轨迹1/48）提高了MRF的效率，但也会导致很强的空间混叠伪影.1.2字典建立字典为仿真的指纹时间信号。根据成像部位（大脑、心脏和血管等）的组织特性（Ti、T 2、血管容积等）、MRI扫描系统特性（Bo*、B*等）、所采用的脉冲序列（bSSFP、FISP等），以及FA、T E和TR值，可以按照Bloch方程仿真2 或者扩展相位图7 生成字典信号字典应覆盖成像部位的组织特性所包含的参数范围，比如大脑1.5TMRF的Ti和T2成像，字典的Ti参数范围可取10 0 30 0 0 mS，T 2 可取10 50 0 ms，黄敏等：磁共振指纹成像技术及临床应用的进展209210Bo*带来的偏振频率取-40 0 40 0 Hz，并限制TiT2扫描时，一旦改变系统脉冲序列的物理参数值，就需重新建立字典.字典大小决定了后续量化的精度和速度，而字典大小不仅取决于不同任务待量化参数（T1、T 2、血管容积、Bo*、B*等）的数目以及参数的间隔，还与脉冲序列时间维长度相关比如Ti间隔取10 ms时，会比Ti间隔取2 0 ms时建立的字典约大一倍每增加一个量化参数，字典大小即呈现几何级增长15 基于bSSFP序列的大脑MRF成像时，字典模拟3个参数（Ti、T 2、Bo*），组合条目可达36 万条，需2.5GB存储空间BI场的不均匀也会导致T和T2的量化受到影响，对T2影响更甚8 ，若在字典中增加B*的信息，可提高Ti和T2的量化精度；但字典会更庞大，运行时也占内存，指纹与字典信号匹配时间随字典大小线性增长，速度极慢。上述基于弛豫物理模型的方式建立字典很耗时，采用DL网络则可大大加速字典建立.Yang等16 采用无监督生成对抗网络（generativeadversarial network，G A N）来模拟复杂的Bloch方程，将大脑MRF字典建立时间缩短了几个数量级（从小时级别到0.3s）若GAN网络的输入加入RR间期（R-Rinterval，R R）信息，扩展到单次屏气的心脏MRF中将意义非凡17 ，因为心脏MRF成像时，每个样本都要单独实时建立字典.1.3模式识别将欠采样的多组k空间原始数据，经空间域重建后沿时间维得到一系列图像将单个体素的时间维信号连起来，就得到一条特有的MRF信号MRF传统框架2 的模式识别，就是将该指纹信号与字典库中的所有信号进行模式识别，找到最匹配（最相似）的字典信号条目再根据参数表得到对应的组织参数和系统参数的量化值，显示Ti、T 2 和Bo*等的定量图像但这种框架量化速度较慢，很难让MRF实现临床落地近年来，基于AI的DL网络开始被尝试用于MRF领域，大大加快了量化的效率，有望突破临床应用的瓶颈4,1.3.1基于传统框架的字典量化方法传统的MRF量化框架都是基于字典的先根据Bloch方程按照参数组合建立各部位的字典信号（指纹库），然后将指纹信号与字典的每条信号进行匹配，得到对应的组织和环境参数信息，最后绘制成参数图像。2013年，Ma等2 最早采用的是直接匹配法，即指纹信号与归一化字典中的每条信号进行复数内积，内积幅值最大的那条即为识别信号，体素的PD则根据指纹信号和未归一化的匹配信号之间的比例因子来计算但Ma等2 对欠采样数据采用非均匀傅里叶变换（non-uniformFouriertransform，NU FFT）进行重建后的图像有严重的折叠伪影，指纹时间信号SNR低，而且采用简单的内积会使量化精度降低.量化精度还与字典大小有关，因为基于字典框架的量化得到的参数值只能是字典中的离散值，但字典大小总是有限的，因此会存在误差.而字典建太大，量化效率又降低.而且该方法要遍历所有字典信号，因而量化速度很慢.为了减少计算量，可通过奇异值分解（singularvalue decomposition，SVD）【18 等方法来缩短数据长度，将时间域指纹信号和字典都进行压缩还可采用低秩子空间19 等方法提高量化速度，但量化精度会受到影响2 0 15年，Ma等2 0 又采用分组匹配法来提高效率将字典分成多组，先与各组的平均信号进行匹配找到组别，再在组内和每条信号内积分组加快了识别速度，但降低了量化精度Christopher等2 1 采用加速迭代重建（accelerated iterativereconstruction，A IR）进行MRF成像，融入了正则化项、指纹压缩和加速搜索进行模式识别2 0 19年，Wang 等2 提出采用快速字典搜索法MRF-ZOOM来加速量化过程。Cruz等2 3使用正则化的低秩高维补丁张量来去除心脏MRF中的运动伪影，提高了重建图像和参数量化的质量，但又增加了计算成本。波谱学杂志第40 卷第2 期上述针对基于字典的量化框架的各种改进，会加剧字典建立和图像重建的复杂性，并增加对序列优化的需求而MRF在量化速度和精度上的矛盾，使其很难在临床落地.1.3.2基于DL的量化方法采用DL网络进行预测，代替基于字典的模式识别过程，可以克服传统MRF量化方法的缺点，其优点包括：量化值是连续值，而不是离散值，精度更高；网络训练好后，不再需要存储字典；量化速度超快，实现了高效率预测目前研究表明，各向同性分辨率为1mm时，全脑Ti和T2的MRF量化仅需7 min24.根据网络输入端信号的不同，量化方法主要有两大类，分别为基于输入信号为时间域指纹信号的DL量化方法和基于输入信号为空间域图像信号的DL量化方法.1.3.2.1基于时间域指纹信号的DL量化方法基于时间域指纹信号的DL量化方法如图1所示量化网络代表一种映射关系：=f(x)其中f表示量化网络；x为网络输入，即单体素的时间域幅值信号（指纹信号）；y为输出的Ti、T 2 等参数的量化值.训练标签TT220020（组织1）：3000500(组织M）图1基于时间域指纹信号的深度学习量化方法示意图Fig.1 Diagram of DL quantification method based on time domain fingerprint signal将组织参数Ti、T 2 作为训练标签，即金标准先将标签值送入仿真器生成字典信号，作为网络训练的输入信号再设计网络结构，设置损失函数，对网络进行训练，确定网络的各种参数，然后将磁共振扫描仪的采集数据作为测试信号送入网络，得到每个像素的组织参数的逐点预测值T、T 2，并显示出参数量化图像，（1）基于全连接网络的监督回归方法2017年，Hoppe等2 5 率先用全连接网络（fullyconvolutionalnetwork，FCN）来训练一维（1D）指纹信号与T和T2组织参数之间的映射关系，实现参数的监督回归.Peng等2 6 采用四层FCN网络，在训练时加入仿真的伪影和噪声，提高了网络的鲁棒性，预测时间只需0.12 s（传统字典匹配耗时2 8 s）他们对活体大脑、肝脏和前列腺腺癌的扫描数据进行了测试，得到较高质量的T和T2定量图像。但当组织参数超过2时，非线性映射太复杂，FCN网络待训练参数太多，容易产生梯度爆炸特别是心脏MRF的网络输入端需添加RR间期2 7 ，输入单元数剧增，目前只在仿真数据上进行实验.为了减少FCN网络的待训练系数，Cohen等2 8 设计了深度重建网络（deep reconstruction network，DRONE）先将字典数据进行SVD压缩，将指纹长度由10 0 0 缩至2 5送入网络输入端采用近8 万条字典数据训练10 0 0 轮，共约10 min用大脑仿真数据做测试，预测只需10 ms，比传统框架的字典量化方法快30 0 倍.（2）基于卷积神经网络的监督回归方法2018年，Hoppe和Siemens团队2 9 受语音信号和自然语言处理网络的启发，采用基于1D卷积神经网络黄敏等：磁共振指纹成像技术及临床应用的进展MR扫描仪训练信号仿真器预测值TT211测试信号量化网络X212（c o n v o lu t io n a ln e u r a ln e t w o r k，C NN）的4层简单网络来量化参数值，如图2 所示先通过1D卷积对指纹进行特征提取，再通过全连接实现决策策略网络输入层为长度10 0 0（或更长30 0 0）的指纹信号，首先经过3个卷积层（步长为2，特征数为32、6 4、12 8）得到指纹的多个特征，再将特征数据展平后送入后续的1个全连接层，输出T和T2两个参数值用4层简单网络对NISTphantom模型的仿真信号进行预测的准确度很高，但对真实的磁共振扫描仪采集信号进行测试时，CNN网络量化失败，参数图看不清任何组织结构.波谱学杂志指纹信号012第40 卷卷积层1卷积层3展平全连接层OTOT2特征1000为提高网络的泛化能力，Hoppe等2 9 又在网络中加入头部采集数据再训练在12 万条字典数据上增加了6 层轴位数据共39万条带噪声的指纹信号，然后对轴位、矢状位和冠状位数据进行测试，结果表明网络对轴位数据的预测准确度高，而其他方位失败，说明该网络对不同方位头部数据的泛化能力差；将4层网络扩展到12 层复杂模型，结果仍未改进这是由于真实的MRF数据高度欠采样，用简单的NUFFT进行空间重建后，每帧图像有严重的伪影，指纹时间信号因此含有大量噪声。如果将该指纹信号直接送入DL网络，会与训练数据中的无噪声数据相差很大，预测结果也会很差.Song等30 提出的混合深度磁共振指纹（HYbriddeepmagneticresonancefingerprinting，H YD R A）网络包含两个步骤：基于模型的信号恢复和基于DL的参数预测HYDRA网络先使用基于低秩的去锯齿技术实现多帧空间图像的去伪影化（类似磁共振图像高质量重建），从而使每个像素点的指纹信号的SNR大大提高.去噪后的指纹信号经非局部残差CNN网络实现更准确的参数预测.采用扩展相位图对基于FISP序列生成的MRF数据进行训练，然后对模型数据和活体数据进行测试，预测准确度大大提高Ti量化误差从DRONE网络2 8 的4.5ms和CNN网络2 9 的2.5ms降至0.2 ms，T 2 量化误差则分别从0.7 ms和8.6 ms降至0.2ms而且，MRF的时间帧从10 0 0 缩小至2 0 0，缩短了采集时间.k空间欠采样会使一个像素的信号分布到周围多个像素中，因而相邻组织具有相关性.2 0 2 0 年，Balsiger等31 提出空间正则化参数图重建网络，采用了1515小块的时间信号作为CNN网络的输入，以块中心体素的值为金标准结果显示虽然输入单元数增加，但预测准确度高以上网络的输入均为MRF复数信号中的幅值部分（模），不仅丢失了相位信息，也不能体现MRF数据的实部和虚部信息Virtue等32 将1D实数卷积网络改成复数卷积网络将复数信号输入网络，采用复数卷积运算，并引入对相位敏感的心形激活函数，得到了比幅值网络预测准确度更高的T1、T 2 和Bo量化图像。这表明复数值输入的效果胜于幅值输入。（3）基于邻域块数据的循环神经分位数网络前述网络只将单点指纹信号作为输入，一旦出现强噪声，量化值会出现很大误差而循环神经网络（r e c u r r e n t n e u r a l n e t w o r k，R NN）能记忆序列中的时间结构，结合中心像素邻域点的组织具有相似性的特1000O图2 基于1DCNN的MRF量化网络Fig.2 MRF quantization network based on 1D CNN第2 期点，采用邻域块数据作为RNN的输入，中心像素的参数值作为网络输出的参考值2 0 19 年，Hoppe等3采用RNN进行MRF量化，基于LSTM（长短期记忆网络）+FCN（4个）+quantilelayer（分位数层）的网络结构他们将11单像素的指纹信号作为CNN网络与RNN网络的输入，得到两个网络的验证损失分别为47 0 ms和2 6 9ms，表明RNN网络胜于CNN33。再将11单像素和33小块9个像素的指纹信号分别作为RNN网络的输入，验证损失分别为2 6 9ms和2 2 1ms，表明邻域多点输入胜于单点输入33 可见，用邻域MRF信号作为RNN输入，可以去除采集噪声对量化带来的干扰，并利用分位数防止异常值的出现，可以提高网络拟合的稳健性。1.3.2.2基于空间域图像信号的DL量化方法基于空间域图像信号的DL量化方法中网络的输入为图像，而不是时间域指纹信号。基于时间域指纹信号的DL量化方法的最大挑战在于指纹中的伪影带来的干扰.2 0 2 0 年,Hoppe等34 将两个网络进行级联，先把带噪声干扰的图像信号送入第一个U-Net网络“清洗噪声”，再将每个像素点的“干净”的指纹信号送入第二个CNN网络进行预测，以达到伪影去除和参数回归的双重功能如图3所示，首先输入经SVD压缩的10 0 幅带伪影的时间序列图像后，采用U-Net网络在图像域去除伪影，输出无伪影图像这一步类似MRI的深度重建网络，只是MRF的U-Net网络的输入和输出端图像多达10 0 幅再对去噪后的MRF指纹信号采用简单的4层CNN做参数回归，可得到很好的Ti和T2量化结果.SVD压缩timeMRF（含噪）1001000图3基于空间域图像信号的DL量化方法示意图Fig.3 Diagram of DL quantization method based on spatial domain image signalFang等35 提出一种空间受限的量化方法，使用了两个网络相级联.先用特征提取模块提取时间域低维特征，再通过空间约束量化模块网络从特征图像输入直接得到组织参数图输出，是端对端的网络模式，而不再是逐点量化的方式该网络只需使用原始指纹时间序列的前1/4时间点就可对Ti和T2准确量化.由于各自使用的数据集在序列和采集部位等方面都有所区别，因此很难全面比较以上各种DL网络之间的性能优劣期待能有公开的标准化的MRF数据集出现，以便跨模型比较.黄敏等：磁共振指纹成像技术及临床应用的进展10064U-Net网络（去伪影）128128128time256256256256512512512512102410241024213128 64 100AMRF（去噪）CNN网络TT21002MRF临床应用的进展MRF数据采集和字典建立的灵活性，使之可用于神经系统（大脑）、腹部、肌肉骨骼系统、心脏等部位成像目前，临床上已获得Ti、T 2、PD、T 2*、Bo*、Bi*、脑血容量（cerebral bloodvolume，CBV）、血氧饱和度（saturationoxygen，SO 2）、细胞外容积（extracellularvolume，ECV）等多种参数的量化图36 ，MRF在各部位具有代表性的临床疾病应用示例如图4所示，分别为脑部胶质瘤37 、癫痫38 、肝脏转移瘤39 和乳腺导管癌40 的MRF图像。2142.1大脑脑部MRF有助于脑肿瘤的检测、分类和分级、手术效果预测，以及治疗计划制定的全套流程的实施.而且MRF对癫痫病灶的特异性强，诊断准确性远高于MRI.Ma等2 在2 0 13年提出MRF技术时，对人的大脑进行轴位2 D扫描单层扫描时间为12.3s，字典约为56万条，获得Ti、T 2、PD 及Bo*量化图像，分辨率为2.32.3mm.2021年，Cao等又在大脑的轴位、冠状位和矢状位实现了更高分辨率的全脑2 DMRF成像41 单层扫描时间为2 0 s，分辨率为11mm并在量化图像基础上，根据不同组织的参数范围，得到了白质、灰质和脑脊液的三种组织的分割图像这种分割只需采用阈值法即可实现，而传统磁共振图像由于不同加权像的灰度值不同，很难采用阈值法进行分割.Badve等37 对三种轴内脑肿瘤（胶质母细胞瘤、低级胶质瘤和转移瘤）进行MRF研究，发现不同肿瘤周围白质的Ti和T2有很强的特异性T2均值可用于区分低级胶质瘤的实体瘤区域和转移瘤，分别为17 2和10 5ms（相差约7 0 ms）.T i均值可用于区分胶质母细胞瘤和低级胶质瘤，分别为157 8 和10 6 6 ms（相差约50 0 ms).脑部胶质瘤的Ti值高于周围正常组织，如图4(a)中红色箭头所示.癫痫临床诊断的挑战性很大，需要对微小病灶进行高分辨率识别Ma等38 对皮质发育不良的癫痫患者进行3DMRF研究，发现癫痫结节区域组织的T升高，如图4(b)中绿色箭头所示而且MRF还显示了某些癫痫患者大脑的T2加权图像中看不到的病变特征，例如他们大脑右边灰质中出现了T高亮区域，但T2无明显变化手术去掉该区域后，病人不再癫痫发作.Liao等42 利用MRF技术进行癫痫诊断，33例患者只有1例误诊，而MRI误诊高达10 例可见，MRF技术可以提高癫痫临床诊断的准确率，有助于癫痫治疗.2.2腹部目前，腹部MRF已对肝、胆、肾、胰腺等的组织参数进行了量化，量化结果与传统的金标准量化方法的参数值吻合度较高，并已初步应用到肝病、胰腺癌等的临床诊断中。尽管MRF在静态脑成像中应用前景很好，但应用到腹部时却存在很多困难：由于存在呼吸运动，临床腹部MRF扫描要求在一次屏气中完成，扫描时限较短；扫描视野大至40 50 cm，小病灶的检测对空间分辨率的要求也更高；Bo和BI场的不均匀性也使腹部定量成像面临更大挑战，特别是当场强达到3T及以上时.Chen等39 在19s的一次屏气时间内对腹部进行2 DMRF扫描.为减小3TBo场不均匀性带来的影响，他们采用FISP序列，时间维50 0 组，并在字典加入B*进行校正，获得了无症状者和肝病患者的Ti、T 2 和B*腹部定量图像。由此得到的正常人腹部肝、胆、肾等的TI、T 2 值和文献参考值一致，而肝脏转移瘤患者波谱学杂志2500200015001000500T(a)图4MRF临床疾病应用示例.(a)胶质瘤37 ；(b)癫痫38 ；(c)肝脏转移瘤39；(d)右乳浸润性导管癌40 Fig.4Examples of MRF application in clinical diseases.(a)gliomas37,(b)epileptic lesions38,(c)liver metastase39,(d)invasive ductal carcinoma of right breast40)第40 卷3000200010000TT(b)(c)150100500T2(b)第2 期的两个转移灶处TI值升高明显，如图4(c)中白色箭头所示MRF诊断比常规MRI更具特异性，证明了MRF在腹部的临床可行性.2021年，Riel等43 采用自由呼吸MRF方法在SiemensPrisma3T扫描仪上获得腹部三维Ti定量图.他们采用了k空间径向星状轨迹，提高MRF的运动鲁棒性；并使用CRLB方法优化FA，比较了时间维为四种不同帧数（30 0、6 0 0、90 0 和18 0 0）的序列编码效率采用体模，对静止和周期性运动下的序列进行评估后，得出帧数为6 0 0 时Ti量化值最优；然后对志愿者进行5min自由呼吸的腹部扫描，得到了干净的Ti定量图.2021年，Subashi等15 采用基于黄金角径向采样轨迹的SSFP序列对腹部进行1.5TMRF成像扫描参数如下：TR/TE=8/4ms，反转时间（inversiontime，T I）=15ms，视野（fieldofview，FO V）=2 52 5c m，矩阵=2 2 42 2 4加入全变分和主成分分析（principalcomponents analysis，PCA）作为时域正则化函数，并采用黄金角径向稀疏并行（golden-angleradial sparse parallel，G R A SP）重建算法采用国家标准与技术研究院（national institute of standards and technology，NIST）体模扫描，得到的T和T2与金标准值一致性高他们还分析了健康志愿者在自由呼吸期间的图像质量，结果显示Ti图消除了运动伪影GRASP为自由呼吸MRF提供了一种可行方法，可降低扫描数据对生理运动伪影的敏感性，提高参数图像质量。2020年，Jaubert等44 在1.5TMRI扫描仪上进行肝脏MRF成像采用黄金角径向轨迹的梯度回波序列和单次屏气14s扫描，进行Ti、T 2、T 2*和脂肪分数（fatfraction，FF）四参数量化；使用低秩张量约束重建来拟合T2*、Bo，并分离水和脂肪信号；通过字典匹配获得水和脂肪的Ti、T 2、T 2*和PD，FF从PD图中提取他们分别以标准Ti和T2体模、水脂体模、健康和血管瘤受试者为研究对象，对该方法进行了评估其结果与传统方法相比，活体肝脏MRF的Ti、T 2、T 2*值偏差分别为92 ms、-7.1m s、-1.4m s 该研究初步证明了肝脏MRF的临床可行性.2020年，Serrao等45 研究了1.5T和3T下自由呼吸状态的胰腺MRF参数量化的临床可行性他们对16名健康者进行2.4 3.6 min的扫描，在胰腺等多个实体器官中绘制了感兴趣区域，确定Ti和T2值结果显示在1.5T和3T时，胰腺T均值比肌肉、脾脏和肾脏低37%43%；在1.5T时，胰腺T2均值比它们低40%；在3T时，胰腺T2均值比它们低12%这初步体现了胰腺MRF成像在临床中的诊断价值.2.3乳腺乳腺MRF成像将有助于乳腺癌的准确检测Chen和Ma等40 通过对健康和乳腺癌女性进行3D全乳扫描，在临床开展了快速3T乳腺MRF成像研究.空间分辨率为1.6 1.6 3.0 mm，扫描需6 min基于此量化了Ti和T2参数，还采用Bloch-Siegert方法评估了MRF扫描对Bi场的敏感性结果显示与正常乳腺组织相比，MRF在浸润性导管癌位置出现更高的T和T2值，尤其是病变组织T2值大幅增加，如图4(d)中白色箭头所示.Nolte等46 则研究了Bi场不均匀性、层面轮廓以及扩散效应引起的乳腺T1、T 2 的量化误差，并分析了电子噪声和螺旋混叠伪影对量化结果的影响.2.4心脏心脏磁共振指纹成像（cardiacmagneticresonancefingerprinting，c M R F）可对心肌组织进行量化，对心血管疾病进行早期诊断47 .但是相比其他部位，cMRF面临更多更大的挑战.由于呼吸和心跳的双重影响，cMRF序列需在一次屏气下完成，并使用心电门控触发扫描，在每次心动周期舒张末期这段时间窗（2 40 2 8 0 ms）实施信号采集48 ；另外，cMRF字典需要RR间期，而且每个病人需单独建立字典.2017年，Hamilton等49 实现了单层的T1、T 2 和PD的量化.在每次心跳的时间窗采集48 个时间帧信号，黄敏等：磁共振指纹成像技术及临床应用的进展215216每个时间顿采用高度欠采样的单支变密度螺旋轨迹采集数据在16 次心跳中采集7 6 8 顿共耗时约16 s为减少匹配时间，多线圈图像采用了PCA进行压缩，而时间维指纹数据采用了SVD进行压缩但单层cMRF对心脏的扫描范围有限，容易漏检病灶2 0 19年，他们将心脏MRF扩展成同步多层扫描，在1次屏气16 s内同时得到3层扫描数据，大大提高了成像效率50 .2020年，Hamilton等51 又在1.5 TSiemens Aera 扫描仪中对多名健康受试者进行了更深入的临床实验：在15次心跳中（2 55ms采集窗）耗时约15s完成1层数据采集.F0V为30 0 30 0 mm，量化矩阵为192192，分辨率为1.6 1.6 8.0 mm.他们比较了cMRF与MOLLI序列测量T和T2-preparedbSSFP序列测量T2之间的差异（后两者是传统的两种速度很慢的标准心脏定量技