Flexible and cost-effective deep learning for accelerated multi-parametric relaxometry using phase-cycled bSSFP

　　

基于相位循环 bSSFP 的灵活且经济高效的深度学习加速多参数弛豫测量研究解读

德国图宾根大学（University of Tübingen）生物医学磁共振系的研究人员弗洛里安?比尔克（Florian Birk）等人在Scientific Reports期刊上发表了题为 “Flexible and cost-effective deep learning for accelerated multiparametric relaxometry using phase-cycled bSSFP” 的论文。该研究对于推动定量磁共振成像（qMRI）在临床中的广泛应用具有重要意义，为实现快速、灵活、经济高效且高精度的多参数弛豫测量提供了新的思路和方法。

研究背景

qMRI 能够提供生物物理和微观结构过程的定量信息，在疾病诊断和预后判断中具有巨大潜力。例如，定量 可用于早期检测多发性硬化症患者的皮质病变、内侧颞叶癫痫患者的海马硬化、脑血管疾病以及早期阿尔茨海默病；定量 有助于纵向研究与脑老化或帕金森病相关的微观结构变化。为减少采集时间，多参数 qMRI（MP-qMRI）成为研究热点，旨在同时估计多个内在共配准的参数图。

MP-qMRI 框架可分为直接和间接两种。直接框架如磁共振指纹法（MRF），通过采集大量数据点来量化感兴趣参数，但存在图像重建和字典生成时间长、分辨率低等问题。间接框架则依赖临床可解释的完全重建加权图像进行后处理，稳态自由进动（SSFP）序列是常用选择，其中相位循环平衡稳态自由进动（pc-bSSFP）具有 和 混合敏感性高、采集效率高、可实现全脑覆盖等优点。

机器学习技术，尤其是深度神经网络（DNNs），在 MP-qMRI 框架中展现出巨大优势，可加速字典生成、匹配以及多参数推断。然而，体内监督学习存在依赖特定测量协议、获取真实数据耗时、硬件和数据可及性有限以及模型假设不明确等问题。相比之下，计算机模拟数据生成能最大程度控制训练数据，在 ML 模型（预）训练中愈发重要。此前研究表明，DNNs 训练数据分布会影响其在 MP-qMRI 中的性能，因此本研究旨在探讨基于计算机模拟 pc-bSSFP 数据训练 DNN 模型进行多参数估计的可行性。

研究材料与方法

体内数据采集

在 3T 场强（Magnetom Prisma，西门子医疗）下对 3 名健康受试者进行体内实验。采集矢状位 3D pc-bSSFP 数据，采用 的相位循环方案，射频（RF）相位增量均匀分布在 0 到 。bSSFP 成像协议的各参数设定为：各向同性分辨率 ，图像编码矩阵 ，重复时间（TR）4.8ms，回波时间（TE）2.4ms，标称翻转角 。每次相位循环采集前播放 256 个虚设脉冲以建立稳态条件，并采用 2 倍平面内并行成像（GRAPPA）加速因子，全脑 12 点 pc-bSSFP 数据采集在 10 分 12 秒内完成。此外，还对 1 名健康受试者进行了 和 4 的扫描，采集时间分别为 5 分 6 秒和 3 分 24 秒。通过厂商标准的 映射序列计算 缩放因子。

体内数据处理

利用 FSL 和 SPM 软件包进行配准和分割任务。通过将每个 bSSFP 相位循环的幅度与中间相位循环幅度配准并应用变换来校正运动，去除恒定的接收器相关相位偏移。对不同相位循环数的扫描进行共配准，并将 基线解剖图像与运动校正后的 pc-bSSFP 数据的平均幅度图像对齐，对 图进行 3D 中值滤波。通过离散傅里叶变换计算最低阶的三个 SSFP 配置 、 和 ，对其幅度和相位进行吉布斯振铃去除和体素归一化处理，以匹配计算机模拟数据，并确定体内信噪比（SNR）。

数据生成

合成单等色 pc-bSSFP 信号，目标参数 和 从三种不同分布中采样，包括均匀分布（ 范围 360 - 2080ms， 范围 20 - 120ms； 范围 360 - 5000ms， 范围 20 - 2500ms）和体内分布（基于三名健康受试者的 和 脑体素分布生成的 2D 密度图采样）。 在 0.7 - 1.3 范围内均匀采样。分别采用基于幅度和基于复数的 DNN 训练策略，为不同 DNN 训练策略生成相应的计算机模拟数据。

弛豫测量

设计基于幅度的标准 DNN，输入为三个最低阶 SSFP 配置的幅度和 ，为考虑加速数据中的混叠和提高对失谐的鲁棒性，扩展输入为 、 、 的实部， 和 的虚部以及 。MIRACLE 采用迭代黄金分割搜索最小化算法，初始 估计值为 1000ms。基于幅度的标准 DNN 和基于复数的 DNN 分别采用不同结构，设定相同的训练参数，采用两种不同的损失策略训练 DNN 框架以解码 pc-bSSFP 信号的逆信号模型。

实验验证

对基于幅度的 DNN 框架在计算机模拟和体内实验中进行验证。在计算机模拟中，对不同训练数据分布和 SNR 水平训练的 DNN 框架及 MIRACLE 框架，通过对 2D 线性网格和体内分布测试数据的复杂 pc-bSSFP 信号添加噪声进行 5000 次蒙特卡罗（MC）采样，计算参数预测的均值、标准差、相对标准差、相对误差和决定系数（CoD）。在体内实验中，对健康测试受试者进行全脑 和 估计，计算不同训练数据分布的 DNN 预测与 MIRACLE 预测的绝对差异，并对体内数据的轴向切片进行 MC 采样。

训练基于复数的 DNN，在计算机模拟和体内实验中与基于幅度的 DNN 和 MIRACLE 进行比较。在计算机模拟中，计算参数预测的相对误差；在体内实验中，以 12 个相位循环的参数估计为参考，计算 6 个和 4 个相位循环参数预测的绝对差异。通过计算不同脑区组织掩码中每个训练 epoch 与最终 epoch 的全脑弛豫测量预测之间的 CoD，评估基于幅度和基于复数的 DNN 框架学习 MP-qMRI 逆信号模型的有效性，并比较单 epoch 训练和最终 epoch 训练的效果，测量不同分辨率下各框架的推理时间。

研究结果

基于幅度的 DNN 验证

在计算机模拟实验中，训练数据添加噪声并不一定能提高相同 SNR 测试数据上的预测准确性，SVNN 在训练数据含噪声时性能更差，而 PINN 性能受训练数据分布影响较小。对于训练无噪声数据的 DNN 和 MIRACLE，在低 SNR（≤15）情况下，基于均匀和体内分布训练的 DNN 性能优于 MIRACLE；基于均匀扩展分布训练的 DNN 在噪声测试数据上的 CoD 值与 MIRACLE 相当，部分情况下（如基于均匀扩展训练数据分布的 SVNN 对体内分布测试数据的 估计）准确性低于 MIRACLE。

在体内实验中，训练的 DNN 与 MIRACLE 在脑组织弛豫测量结果上高度一致，尤其是基于均匀和体内训练参数分布的 DNN，而基于均匀扩展分布训练的 SVNN 预测结果与 MIRACLE 偏差较大。基于均匀和体内分布训练的 DNN 在体内 MC 采样中的精度更高（ 更低），与计算机模拟结果相符。

基于复数的 DNN 加速数据采集

在计算机模拟实验中，基于复数的 DNN 能有效消除有限相位循环数导致的混叠和失谐敏感性，在整个模拟的 值范围内可靠地估计 和 ，相对误差较低。在体内实验中，基于复数的 DNN 对体内 和 弛豫测量对失谐更具鲁棒性，特别是在低相位循环数时。当相位循环数减少到 4 时，MIRACLE 和基于幅度的 DNN 在 和 估计中出现明显的区域模式高估和低估，而基于复数的 DNN 能有效消除失谐相关伪影和系统偏差。

灵活且经济高效的弛豫测量

通过计算不同脑区组织掩码中每个训练 epoch 与最终 epoch 的全脑弛豫测量预测之间的 CoD，发现 DNN 在训练早期就能有效学习脑组织的 和 弛豫时间。单 epoch 训练时间短，整个训练数据模拟、单 epoch 模型训练和全脑体内推理过程耗时远低于 MIRACLE 算法。最终训练模型的推理时间方面，DNN 比 MIRACLE 快得多，且随着输入数据分辨率提高，DNN 优势更明显。

研究结论与讨论

本研究提出将计算机模拟训练的 DNN 与 pc-bSSFP 成像相结合，作为 MP-qMRI 弛豫测量的快速且适应性强的框架。研究表明，监督式和自监督物理信息 DNN 在不同计算机模拟数据分布上训练成功，性能优于传统的 MIRACLE 迭代多参数拟合方法，推理时间大幅缩短。基于复数的 DNN 在加速数据采集中表现出色，能在仅 4 个相位循环下实现可靠的全脑弛豫测量，扫描时间缩短 3 倍。

MC 模拟显示，SVNN 估计准确性对训练数据分布和训练数据 SNR 敏感，而 PINN 模型受训练样本分布和噪声特征影响较小，更适用于不同 、 特征或场图分布的场景。训练无噪声数据的 DNN 在低 SNR 测试数据下表现优于 MIRACLE，且对于特定组织参数范围分布，DNN 精度更高。

然而，研究也存在一定局限性。PINN 和 SVNN 的性能受训练数据参数范围限制，超出范围可能需要重新训练。本研究采用单分量信号模型，未考虑 bSSFP 频率响应中的特征不对称性，导致对脑组织中 和 的估计低于基于自旋回波的参考方法。未来研究可考虑扩展信号模型、采用基于图像的架构以及应用于病理测试数据，以进一步验证其在临床环境中的泛化性能。总体而言，本研究为多参数弛豫测量提供了创新的深度学习框架，有望推动 qMRI 在临床中的广泛应用。