1、60中国CT和MRI杂志2023年10月 第21卷 第10期 总第168期【第一作者】陈楚玥,女,技师,主要研究方向:磁共振神经影像。E-mail:C【通讯作者】韩鹏,男,主管技师,主要研究方向:磁共振神经影像。E-mail:hanpeng_论 著Improvement of Intracranial 3D TOF MRA Image Quality Based on Artificial Intelligence ReconstructionChen Chu-yue1,YU Yu-jie1,WAng Mao-xue1,WAng Kun1,Li Ming1,MA Yi-ming1,ZhAo X
2、ian-ce2,hAn Peng1,*.1.Department of Radiology,nanjing Drum Tower hospital,Affiliated hospital of Medical School,nanjing University,nanjing 210008,Jiangsu Province,China2.Philips health Care Division,Shanghai 200072,ChinaAbSTRACTobjective To explore the artificial intelligence reconstruction technolo
3、gy to improve the quality of intracranial 3D ToF MRA image.Methods A total of 43 subjects with an average age of 56.9535 years old underwent head magnetic resonance examination in nanjing Drum Tower hospital from August 2021 to June 2022 were retrospectively collected.3D ToF MRA sequences with diffe
4、rent compressed sensing factors and reconstruction techniques were collected:CS4,CS_Ai4,CS8,CS_Ai8.Qualitative analysis of vascular display ability,artifact,image quality and diagnostic value of four groups of images.The Friedman test was used to compare the differences in qualitative scores between
5、 the four sequences.Single factor repeated measurement analysis of variance was used to quantitatively compare the CR values of the four groups.Results in the qualitative analysis of image quality,the quality of artificial intelligence reconstructed image was significantly better than that of CS rec
6、onstructed image with the a same CS factor(CS_Ai8:23.221.33vs CS8:22.171.51,P0.001;CS_Ai4:23.601.43 vs CS4:22.821.43,P0.001).in quantitative image analysis,the CR value of MRA reconstructed by artificial intelligence was significantly higher than that of conventional reconstructed images(great vesse
7、ls:CRCS_Ai4:11.100.75,CRCS4:9.100.48,CRCS_Ai8:10.750.75,CRCS88:7.860.38,P0.001).CRCS_Ai8 was significantly higher than CRCS4(P0.001),when compressive sensing acceleration factor was different.Conclusion Artificial intelligence reconstruction technology can obviously improve the quality of MRA image.
8、Keywords:Artificial Intelligence Reconstruction Technology;Compressed Sensing;3D TOF-MRA脑血管磁共振成像是一种无创、无辐射性、无需对比剂的血管造影技术,在安全性方面较数字减影血管成像和CT血管成像有优越性,在脑血管疾病的诊断中有着独特的地位。临床上经常使用的MRA技术主要有无需对比剂的时间飞跃法血管成像(time of flight MRangiography,TOF-MRA)、相位对比法血管成像(phase contrast MRA,PC-MRA)和对比增强血管成像1(contrast enhanced
9、MRangiography,CE-MRA),这三种技术可以清晰显示颅内血管分布、异常部位及类型,被广泛应用于观察颅内血管异常诊断,为准确诊断提供更多依据,对于脑血管病早期筛查和诊断具有重大意义2-4。目前磁共振临床上常用的加速方法主要有:并行成像技术、分段加速技术及压缩感知技术(compressed sensing,CS)等5-6。压缩感知技术作为磁共振新型快速成像技术,在当前已经被成功用于磁共振血管造影、心脏磁共振扫描采样、动态增强扫描等磁共振扫描中,能够有效的提高磁共振扫描速度,较好的改善图像效果7。在设置压缩感知因子时,需要平衡采集时间和图像质量。当压缩感知因子过低时,无法缩短图像采集时
10、间,过高会给图像带来伪影和模糊8-9。人工智能重建技术是最近引入磁共振成像的新技术,表现出了对图像去噪、数据恢复等方面的极大潜力10,但是其对于TOF MRA图像质量的改善效果有待研究。本研究目的是基于压缩感知因子为4和8的TOF MRA图像,探索人工智能重建技术对颅内3D TOF MRA图像质量的改善。1 资料与方法1.1 一般资料 本研究共纳入在2021年8月至2022年6月期间,在南京大学医学院附属鼓楼医院进行头颅磁共振检查的43例受试者,其中女性患者24例,平均年龄为56.9535岁。受试者入组标准如下:无磁共振检查禁忌症;每例受试者均同时采集CS4及CS8,并重建出CS_AI4和CS
11、_AI8的TOF-MRA图像。所有受试者均签署知情同意书,本研究经本院伦理委员会批准。1.2 检查方法 所有MR数据均在飞利浦 3.0 T磁共振超导扫描仪(Philips Ingenia 3.0 T CX)上采用32通道头线圈采集获得。患者在检查床上呈仰卧位,正中矢状面与检查床垂直,定位中心于眉心,患者检查过程中不能移动;扫描基线平行于胼胝体前后脚连线,范围从大脑皮层至小脑下界,扫描序列采用压缩感知加速因子分别为4和8的3D TOF MRA序列,两个扫描序列分别使用两种重建方法,其中单纯使用压缩感知加速的序列命名为CS4和CS8,同时使用AI重建方法及压缩感知加速的序列命名为CS_AI4和CS
12、_AI8。CS4的采集时间为3min32s,CS8的采集时间为1min47s。两个序列以下参数均相同:视野(field of view,FOV)200mm200mm;重复时间(repetition time,TR)22ms;回波时间(echo time,TE)3.45ms;翻转角18;层厚基于人工智能重建对颅内3D TOF MRA图像质量的改善陈楚玥1 于雨洁1 王茂雪1王坤1 李茗1 马一鸣1赵献策2 韩鹏1,*1.南京大学医学院附属鼓楼医院医学 影像科(江苏 南京 210008)2.飞利浦医疗保健事业部(上海 200072)【摘要】目的 探索人工智能重建技术对颅内3D TOF MRA图像质
13、量的改善。方法 回顾性收集2021年8月至2022年6月在南京大学医学院附属鼓楼医院进行头颅磁共振检查的43例受试者,平均年龄为 56.9535岁。采集不同压缩感知因子及重建技术的3D TOF MRA序列:CS4、CS_AI4、CS8、CS_AI8。定性分析四组图像血管显示能力、伪影、图像质量和诊断价值。采用Friedman检验比较四个序列间定性评分结果的差异。采用单因素重复测量方差分析定量比较四组图像CR值差异。结果 图像质量定性分析中,在相同CS因子下,人工智能重建图像质量明显优于的常规CS重建图像(CS_AI8:23.221.33 vs CS8:22.171.51,P0.001;CS_A
14、I4:23.601.43 vs CS4:22.821.43,P0.001)。图像定量分析中,人工智能重建的MRA图像CR值显著高于常规重建图像(大血管:CRCS_AI4:11.100.75,CRCS4:9.100.48,CRCS_AI8:10.750.75,CRCS8:7.860.38,P0.001)。压缩感知加速因子不同时,CRCS_AI8仍显著高于CRCS4(P0.001)。结论 人工智能重建技术可明显提高MRA图像质量。【关键词】人工智能重建技术;压缩感知;3D 时间飞跃法血管成像【中图分类号】R322.1+2【文献标识码】A DOI:10.3969/j.issn.1672-5131.2
15、023.10.019 61CHINESE JOURNAL OF CT AND MRI,OCT.2023,Vol.21,No.10 Total No.1681mm;体素0.55mm0.85mm1mm。用于覆盖颅内动脉及其分支,包括大脑前动脉(ACA,A1-A3段),大脑中动脉MCA(M1-M3段),和大脑后动脉(PCA,P1-P3段)。1.3 数据测量及分析1.3.1 定性分析 所有MR数据上传到飞利浦后处理工作站表1 图像定性评分标准 1 2 3 4 5大血管评估 不可见 可见度低 可见度一般 可见度一般 可见度优秀小血管评估 不可区分 可区分度低 可区分度一般 可区分度良好 可区分度优秀伪影
16、 严重 较严重 一般 较轻 无图像质量 很差,解剖结构模糊无法辨别 较差,解剖结构辨别困难 一般,解剖结构可辨别 较好,解剖结构显示较清楚 很好,解剖结构清晰可见诊断价值 无法诊断 较差 一般 较好 优秀表2 定性评估一致性Kappa检验结果 大血管评估 小血管评估 伪影 图像质量 诊断价值CS4 0.705 0.636 0.716 0.644 0.680CS_AI4 0.806 0.66 0.694 0.624 0.774CS8 0.646 0.658 0.618 0.716 0.689CS_AI8 0.807 0.602 0.738 0.687 0.655(IntelliSpace Por
17、tal,ISP)进行定性分析,在不知道序列信息的前提下,两名放射科诊断医生独立采用5分制在大血管、小血管、图像伪影、质量及诊断价值方面进行评分,评分标准如表1,当两个人对图像定性分析结果存在矛盾时,由另一位高年资的医生协助达成共识。1图1 一例烟雾病及正常血管MRA图像。人工智能重建的CS_AI4及CS_AI8图像信噪比优于常规重建CS4及CS8。1.3.2 定量分析 将四个序列放置在同一显示区域,首先选取胼胝体和侧脑室显示最清晰的层面,勾画感兴趣区域(region of interest,ROI),勾画区域保持基本一致,避开病灶区以及其他特殊区域,然后记录平均信号强度(mean)和背景噪声标
18、准差(SD),然后再选取一侧大脑前动脉A1段及A3段、大脑中动脉M1段及M3段、大脑后动脉P1段及P3段显示最佳的层面勾画ROI,记录平均信号强度和背景噪声标准差。根据参照组织的不同,将各个血管的CR值分为CR动脉/胼胝体和CR动脉/侧脑室,CR值的计算公式如下11:1.4 统计学方法 采集到的数据用SPSS 26.0软件进行统计学分析,根据数据是否符合正态分布,以(-s)(正态分布)或中位数及四分位间距(非正态分布)表示连续变量。采用单因素重复测量方差分析比较CS4、CS_AI4、CS8、CA_AI8 4个序列的CR值差异。采用Friedman检验比较四个序列间定性评分结果的差异。多重比较采
19、用Bonferroni矫正。采用Kappa检验方法分析评估2名医师主观评分的一致性。当P0.05时,表示差异具有统计学意义。2 结果2.1 研究对象基本情况 在43例受试者中,MRA显示27例被试颅内血管正常,3例是烟雾病,2例有血栓形成,11例被试有不同程度颅内血管狭窄(见图1)。2.2 图像定性分析结果 根据评分标准独立评分后,两位放射科医生分别提交评分数据。经统计,两位放射科医生对于图像主观评价一致性较好,Kappa值见表2,两位医生协商之后的定性结果见表3.1-3.2。2.3 图像定量分析评价 统计分析结果发现,当压缩感知加速因子相同时,使用AI重建方法的序列CR值会明显高于使用CS重
20、建的CR值,即CS_AI4的CR值明显高于CS4,CS_AI8的CR值明显高于CS8;当压缩感知加速因子不同时,在大血管的显示上,CS4的CR值明显高于CS8,在小血管的显示上CS4和CS8无明显差异;在A1、M1、P1、P3的显示上,CS_AI8的CR值明显高于CS_AI4,在A3、M3的显示上CS_AI4和CS_AI8无明显差异。将所得的四种序列图像分为六组,两两序列进行匹配比较,根据比较结果CS4-CS_AI4,CS4-CS_AI8,CS_AI4-_CS8,CS8-CS_AI8图像质量差异有统计学意义(P0.001)。62中国CT和MRI杂志2023年10月 第21卷 第10期 总第16
21、8期表4 评估图像质量 CR 动脉/胼胝体/CR 动脉/侧脑室P值 CS4-CS_AI4 CS4-CS8 CS4-CS_AI8 CS_AI4-CS8 CS_AI4-CS_AI8 CS8-CS_AI8A1 0.001/0.001 0.006/0.006 0.015/0.079 0.001/0.001 0.634/0.385 0.001/0.001M1 0.001/0.001 0.446/0.198 0.001/0.001 0.001/0.001 0.309/0.761 0.001/0.001P1 0.001/0.001 0.740/0.742 0.001/0.001 0.001/0.001 0.
22、051/0.141 0.001/0.001A3 0.001/0.001 0.740/0.098 0.001/0.002 0.001/0.001 0.051/0.067 0.001/0.001M3 0.001/0.001 0.298/0.157 0.001/0.003 0.001/0.001 0.228/0.031 0.001/0.001P3 0.001/0.001 0.724/0.732 0.001/0.001 0.001/0.001 0.153/0.252 0.001/0.001表3.2 评分图像质量CR值 CR动脉/胼胝体(meanSD)CR动脉/侧脑室(meanSD)CS4 CS_AI4
23、 CS8 CS_AI8 CS4 CS_AI4 CS8 CS_AI8A1 9.100.48 11.100.75 7.860.38 10.750.75 10.860.65 13.231.07 9.180.42 12.350.88M1 9.230.56 11.140.72 8.930.51 11.710.82 11.110.69 13.801.14 10.500.58 13.550.95P1 6.590.44 8.040.51 6.490.52 9.070.80 7.890.48 9.610.57 7.770.56 10.580.97A3 3.760.28 4.760.35 3.570.24 4.6
24、10.35 5.230.31 6.480.39 4.930.23 5.990.36M3 3.580.27 4.540.33 3.430.28 4.320.32 5.420.27 6.760.357 5.130.27 6.180.34P3 2.990.17 3.990.25 3.040.22 4.610.47 5.220.120 6.890.20 5.140.25 7.570.59表3.1 CS4、CS_AI4、CS8及CS_AI8序列图像定性评估结果 大血管评估 小血管评估 伪影 图像质量 诊断价值 总分CS4 4.680.45 4.490.664 4.540.60 4.480.59 4.62
25、0.52 22.821.43CS_AI4 4.800.35 4.640.53 4.690.49 4.630.47 4.830.32 23.601.43CS8 4.610.48 4.390.59 4.310.70 4.380.66 4.480.65 22.171.51CS_AI8 4.800.35 4.570.49 4.610.52 4.590.61 4.640.55 23.221.332图2 表3.1 CS4、CS_AI4、CS8及CS_AI8序列图像定性评估结果 63CHINESE JOURNAL OF CT AND MRI,OCT.2023,Vol.21,No.10 Total No.16
26、83 讨论并行成像技术可以用于所有脉冲序列,与其他加速技术一起使用可完成二次加速,但是会受到物理条件的限制,会同时引入成像伪影和降低信噪比。分段加速技术对于加速因子的设置要求较高,加速因子太小不能有效地缩短图像采集时间但加速因子过大会降低图像质量,影响检查效果。人工智能重建技术主要是通过设计计算机程序,对于数据本身进行处理,从数据中提取特征和信息,如表达、回归、分类等操作对未知数据进行预测。人工智能作为近些年来的研究热点,已广泛应用于计算机视觉、语言处理、机器人以及医学图像领域。在医学影像方面,人工智能可以通过设计程序提取图像信息,对疾病进行分类、检测、识别、诊断及预测12-13。人工智能一定
27、程度上可以减少由于主观差异带来的误差,为临床工作者提供更精准、更快捷的诊疗帮助14。同时人工智能也可以对数据再处理,运用优化算法进行图像去噪、伪影校正、图像分割和重建,达到提高图像质量的目的15-17。在这项研究中,采用了具有2种不同加速因子的 CS序列,不同加速因子的CS序列分别使用了传统的重建方法和AI重建方法,将传统的重建效果和AI重建的效果进行比较;加速因子为4的CS-SENSE序列加传统重建方式可以提供良好的图像质量,当加速因子从4增加到8时,采集速度明显加快,采集时间明显减少,但图像质量明显下降,经过AI重建的CS_AI8图像,图像质量得到了明显改善,包括所有动脉的可视化、定性伪影
28、、整体图像质量分数,以及诊断的可靠度。定性分析中CS_AI8图像质量优于CS4,但无明显统计学差异。定量分析中CRCS_AI8显著高于CRCS4。在远端小血管的显示上,CS_AI8序列相较于CS4序列仍然存在不足,但是经过统计学分析显示二者并无明显差异。因此,CS_AI8在大幅度降低序列采集时间的前提下,仍旧可以获得与CS4 差不多的图像质量。本次研究存在一定的局限性,由于时间原因,本研究仅比较了CS8及CS4两个加速因子,有文献报道CS4的TOF MRA序列可代替无加速因子的MRA,所以本研究采用CS4为参考标准,CS6的采集时间缩短较少,CS10及以上加速因子的图像质量较差,本研究未纳入分
29、析。其次本研究纳入病例仅包括了3种脑血管病变(烟雾病、血栓和血管狭窄)。不同CS加速因子的MRA对其他可能的血管病变的表现仍值得进一步研究。在3D TOF MRA序列成像方面,人工智能重建技术具有明显的优势,与CS4相比,CS8结合AI之后,在保证图像质量的前提下,CS_AI8将扫描时间缩短约49.52%,可以为无法耐受长时间磁共振检查的患者提供便利,大大提高采集效率,具有较高的临床应用价值。参考文献1尹伟,王馨蕊,陈录广,等.CE-MRA与磁共振管壁成像联合应用对颅内动脉瘤的诊断价值J.中国CT和MRI杂志,2017,15(4):21-23.2何江波,詹松华,倪志华.3D-TOF MRA对颅
30、内动脉瘤的诊断价值J.中国中西医结合影像学杂志,2021,19(6):559-561.3HaiFeng L,YongSheng X,YangQin X,et al.Diagnostic value of 3D time-of-flight magnetic resonance angiography for detecting intracranial aneurysm:a meta-analysisJ.Neuroradiology,2017,59(11):1083-1092.4徐红维,张军晖,项行林.MRI结合MRA诊断脑血管畸形的价值观察J.中国CT和MRI杂志,2021,19(6):11
31、-14.5李青,鲁珊珊,孙涛,等.压缩感知技术在头颅磁共振血管成像中的应用研究J.中国医学装备,2020,17(2):66-70.6Yamamoto T,Okada T,Fushimi Y,et al.Magnetic resonance angiography with compressed sensing:an evaluation of moyamoya diseaseJ.PLoS One,2018,13(1):e0189493.7肖顺,储呈晨,王源冰,等.压缩感知技术在磁共振成像技术中的应用进展分析J.中国医疗设备,2021,36(11):4-9.8张浩南.基于压缩感知技术的3D TO
32、F-MRA在评估颈动脉狭窄中的应用D.大连医科大学,2022.9Fushimi Y,Fujimoto K,Okada T,et al.Compressed sensing 3-dimensional time-of-flight magnetic resonance angiography for cerebral aneurysms:optimization and evaluationJ.Invest Radiol,2016,51(4):228-235.10徐旭,彭婉琳,张金戈,等.基于人工智能的滤波和插值图像重建算法在腹部磁共振图像降噪中的价值J.四川大学学报(医学版),2021,52(
33、2):293-299.11Ding J,Duan Y,Zhuo Z,et al.Acceleration of brain TOF-MRA with compressed sensitivity encoding:a multicenter clinical studyJ.AJNR Am J Neuroradiol,2021,42(7):1208-1215.12黄文君,周秀秀,周陶胡,等.基于人工智能的CT影像预测肺腺癌浸润性:Meta分析J.放射学实践,2022,37(11):1359-1366.13Chassagnon G,Vakalopoulou M,Paragios N,et al.A
34、rtificial intelligence applications for thoracic imagingJ.Eur J Radiol,2020,123:108774.14吴林玉,许茂盛.重视人工智能在医学影像中的研究与应用J.中国中西医结合影像学杂志,2022,20(4):307-309.15王弈,李传富.人工智能方法在医学图像处理中的研究新进展J.中国医学物理学杂志,2013,30(3):4138-4143.16吴绯红,赵煌旋,杨帆,等.医学影像+人工智能的发展、现状与未来J.临床放射学杂志,2022,41(4):764-767.17杨兆凯,王龙,陈金栋.人工智能与深度学习在医学影像辅助诊断中的应用J.电脑知识与技术,2021,17(35):91-93.(收稿日期:2023-02-16)(校对编辑:谢诗婷)图3 表4 评估图像质量 CR 动脉/胼胝体/CR 动脉/侧脑室3
©2010-2024 宁波自信网络信息技术有限公司 版权所有
客服电话:4008-655-100 投诉/维权电话:4009-655-100