利用超分辨率卷积神经网络显著提升正常血管 3D UTE-MR 血管造影分辨率

研究人员为提升快速采集的低分辨率 UTE-MRA 数据分辨率，设计 LSRDG 模型，显著提升了分辨率，助力疾病诊断。

　　在医学影像领域，精准清晰的血管成像对于疾病诊断至关重要。磁共振血管造影（MRA）技术中，对比增强三维超短回波时间磁共振血管造影（UTE-MRA），能借助单晶氧化铁纳米颗粒（MION），为动物模型的动静脉脑血管系统提供详细的血管造影信息，其高分辨率在描绘细微血管的解剖结构上表现出色。然而，获取这种高分辨率图像却要付出高昂的时间代价，较长的扫描时间不仅容易引入运动伪影，更严重的是，对于像中风这类时间敏感型疾病的诊断和治疗及时性产生极大影响。想象一下，在争分夺秒抢救中风患者的过程中，因为等待高分辨率的血管影像而耽误了宝贵的救治时间，后果不堪设想。所以，如何在保证成像质量的同时缩短扫描时间、提高图像分辨率，成为医学影像领域亟待解决的难题。

为了解决这一问题，来自蔚山科学技术院（Ulsan National Institute of Science and Technology）等机构的研究人员开展了一项极具意义的研究。他们旨在利用深度学习技术，将快速采集的低分辨率 UTE-MRA 数据提升为高分辨率图像。该研究成果发表在《Scientific Reports》上，为相关疾病的诊断和治疗带来了新的希望。

在研究过程中，研究人员采用了多种关键技术方法。首先是数据采集，他们使用 7T MR 扫描仪和 40mm 体积线圈，从 20 只健康对照（HC）Wistar 大鼠和 10 只缺血性中风 Wistar 大鼠中收集了对比增强的 3D UTE-MRA 数据。为了便于计算和提高性能，将原始的低分辨率（LR）和高分辨率（HR）数据分别分割成特定大小的图像块。其次，研究人员设计了一种名为梯形残差密集生成器（LSRDG）的新型 3D 卷积神经网络，同时还运用了其他先进模型（如 SR-ResNet、MRDG64）进行对比。在训练过程中，采用了不同的训练策略，如仅基于峰值信噪比（PSNR）的训练以及 PSNR 和生成对抗网络（GAN）导向损失相结合的训练，并使用了多种评估指标，如结构相似性指数（SSIM）、PSNR 和均方误差（MSE）来衡量模型性能。

下面来看看具体的研究结果。

1. 模型性能对比：在参数数量、浮点运算次数（FLOPs）和推理时间方面，与 MRDG64 模型相比，LSRDG 模型具有显著优势，其参数数量约为 1.42M，计算量为 5.5 TFLOPs，推理时间约 18 秒，均低于 MRDG64 模型。而 SR-ResNet 模型则在所有模型中参数数量最少、计算成本最低且推理时间最短。
2. 不同训练策略下的性能表现：无论是基于 PSNR 训练，还是 PSNR 和 GAN 结合训练，LSRDG 模型在所有评估指标上都显著优于其他模型。在健康对照数据上，LSRDG 模型基于 PSNR 训练时，SSIM、PSNR 和 MSE 分别达到 0.983、36.80 和 0.00021，明显优于 SR-ResNet 和 MRDG64 模型。在中风数据上，同样取得了更好的成绩，SSIM、PSNR 和 MSE 分别为 0.963、34.14 和 0.00041。
3. 视觉效果对比：通过视觉比较，无论是在健康对照数据还是中风数据上，LSRDG 模型生成的超分辨率图像都能更好地显示血管分叉等细节，与原始高分辨率图像更为相似。而基于立方样条插值的方法在图像质量上则明显不如深度学习模型。

研究结论和讨论部分指出，超分辨率（SR）方法在医学图像领域应用广泛，但在 3D 血管造影数据上的应用相对较少。该研究首次使用对比增强的 UTE-MRA 数据，实现了低分辨率（非合成）和高分辨率采集的 3D 全脑血管造影之间的一致配准。与其他模型相比，LSRDG 模型在处理 UTE-MRA 数据时能生成质量更优、伪影更少的超分辨率图像。尽管研究存在一些局限性，如训练数据量有限、受血管动态变化影响等，但该研究为深度学习模型在时间敏感型疾病诊断中的应用提供了重要参考。对于无法获取高分辨率数据的患者，使用在健康对照数据上训练的模型生成超分辨率图像具有潜在的临床应用价值。此外，结合压缩感知和更快的成像技术，深度学习的 SR 模型有望进一步加速数据采集，克服 MRI 的主要局限性。这项研究成果为临床诊断和治疗时间敏感型血管疾病提供了更有效的手段，具有重要的临床意义和应用前景。