基于傅里叶 PD 和 PDUNet 的复值神经网络加速热疗中 MR 测温的研究

《Scientific Reports》：Complex-valued neural networks to speed-up MR thermometry during hyperthermia using Fourier PD and PDUNet

在热疗（HT）中，MRI 测温存在扫描慢、易产生运动伪影等问题。研究人员开展基于深度学习的欠采样 MR 测温数据重建研究，利用傅里叶 PDNet 和傅里叶 PDUNet 模型，显著降低了温度差异，为热疗的精准测温提供了有效方法，具有重要临床意义。

　　在癌症治疗领域，热疗（Hyperthermia，HT）联合放化疗已成为一种被广泛接受的治疗手段。在热疗过程中，需要将肿瘤组织加热到 39 - 44^oC 并持续 60 分钟，以增强肿瘤细胞对放化疗的敏感性。磁共振成像（Magnetic Resonance Imaging，MRI）作为一种非侵入性的温度监测方法，在热疗中发挥着重要作用。然而，传统 MRI 扫描速度慢，这不仅导致高分辨率成像的扫描时间长，降低了时间分辨率，还使得患者在扫描过程中容易因身体移动产生运动伪影。为了提高成像速度，研究人员尝试通过欠采样技术来加速 MRI 采集，但这种方法会因违反奈奎斯特准则，导致采集到的图像模糊且产生混叠伪影。

为了解决这些问题，来自德国埃尔朗根 - 纽伦堡弗里德里希 - 亚历山大大学（Friedrich - Alexander-Universit?t Erlangen - Nürnberg）等机构的研究人员开展了一项关于利用深度学习重建欠采样 MR 测温数据的研究。该研究成果发表在《Scientific Reports》上。

研究人员主要采用了以下关键技术方法：

1. 数据集构建：收集了 44 例不同肉瘤患者接受 HT 治疗时的 MR 图像数据，这些数据包含静态和动态采集的图像，扫描参数明确。数据被随机分为训练集、验证集和测试集。
2. 模型构建：对原对偶网络（Primal - Dual network，PDNet）和原对偶 UNet（Primal - Dual UNet，PDUNet）进行改进，引入复值卷积，构建了傅里叶 PDNet（Fourier - PDNet）和傅里叶 PDUNet（Fourier - PDUNet）模型。
3. 评估指标：使用结构相似性指数（Structural Similarity Index，SSIM）、归一化均方根误差（Normalised root - mean - squared error，NRMSE）和通用图像质量指数（Universal Image Quality Index，UIQI）来评估图像重建质量，通过计算温度图误差评估温度重建的准确性。

研究结果如下：

1. 模型性能比较：与传统的实值模型 ReconResNet 相比，傅里叶 PDNet 和傅里叶 PDUNet 在重建幅度和相位图像方面表现更优。例如，在使用 1D Varden 25% 采样模式时，傅里叶 PDNet 和傅里叶 PDUNet 的幅度图像 SSIM 分别达到 91% 和 90%，相位图像 SSIM 分别达到 44% 和 40%，均显著高于 ReconResNet 模型。
2. 不同采样模式下的重建效果：对于不同的欠采样模式和加速因子，傅里叶 PDNet 和傅里叶 PDUNet 都能有效提高图像重建质量。在 2D Varden 25% 采样时，幅度图像 SSIM 分别为 94% 和 93%，相位图像 SSIM 分别为 47% 和 46%；在 2D Varden 10% 采样时，幅度图像 SSIM 分别为 87% 和 86%，相位图像 SSIM 分别为 43% 和 41%。
3. 温度图重建准确性：傅里叶 PDNet 和傅里叶 PDUNet 模型在重建温度图方面也有显著提升。在 2D Varden 10% 采样时，模型将全容积温度差异从 1.3^oC 降低到 0.6^oC 左右，肿瘤区域温度差异从 0.49^oC 降低到 0.1^oC 左右。

研究结论和讨论部分表明，该研究首次利用深度学习方法解决了欠采样 MR 测温数据的重建问题，为 MR 引导的热疗提供了更准确的温度监测手段。傅里叶 PDNet 和傅里叶 PDUNet 模型在不同欠采样模式下表现出良好的鲁棒性，能够有效减轻欠采样问题。然而，目前模型在相位图像重建方面仍有提升空间，未来研究可通过改进网络架构、优化损失函数以及结合动态 MRI 管道等方式进一步提高模型性能。此外，研究还需扩展到多中心数据集，评估模型在不同临床环境和成像协议下的适用性，以更好地将该技术应用于临床热疗，提高患者的治疗效果。