基于动脉自旋标记与标准MRI的深度学习合成脑血容量图像在胶质母细胞瘤复发与治疗反应鉴别中的优越性研究

本研究通过深度学习技术，首次实现从动脉自旋标记（ASL）和标准MRI序列（T1WI/T2WI/ADC等）合成"无团注效应"的脑血容量（CBV）图，其结构相似性指数（SSIM=88.69±3.97%）和峰值信噪比（PSNR=32.76±3.39 dB）显著优于传统ASL。在96例胶质母细胞瘤患者的验证中，合成CBV联合标准MRI鉴别复发与治疗反应的AUC达0.87（p=0.019），为无法接受高流速造影剂注射的患者提供了全新解决方案。

　　

引言

胶质母细胞瘤患者常面临放疗后肿瘤复发与治疗反应鉴别的临床困境。传统MRI对放射性坏死与肿瘤复发的鉴别价值有限，而基于动态磁敏感对比（DSC）的脑血容量（CBV）图虽被推荐使用，但需要高速注射造影剂以实现"团注效应"。动脉自旋标记（ASL）作为无创灌注技术，却存在低血流病灶假阴性率高的问题。本研究创新性地提出通过三维增量编码器-解码器网络（IEDN），从ASL和标准MRI序列合成高质量CBV图。

材料与方法

研究纳入364例患者的744次MRI扫描，采用特殊设计的3D IEDN网络处理不对称样本量。输入模态包含ASL及5种标准MRI序列（T1WI/T2WI/ADC等），通过加权平均潜在特征图实现缺失模态兼容。定量评估采用结构相似性指数（SSIM）和峰值信噪比（PSNR），定性评估采用4分Likert量表。在96例外部验证病例中，通过Z检验比较合成CBV与ASL的诊断增益。

结果

最佳模型组合为ASL+T1WI+T2WI+ADC+增强T1WI，SSIM达88.69±3.97%，PSNR为32.76±3.39 dB。定性评估显示90.8%的合成图像获评"优等"。关键发现在于：合成CBV联合标准MRI的鉴别诊断AUC（0.87）显著高于ASL组合（0.76，p=0.019），尤其改善了复发诊断的准确性。典型病例显示，ASL低估灌注的病灶在合成CBV中能准确识别（如图4所示）。

讨论

该技术突破性地解决了临床两大痛点：①无法耐受高速注射患者的CBV图获取难题；②ASL单延迟标记技术导致的灌注低估问题。值得注意的是，加入ASL训练使SSIM较既往纯结构MRI合成方案提升2.4个百分点（p<0.001），强化了生物学合理性。虽然小样本和单延迟ASL设计存在局限，但合成CBV在显示深部白质小病灶方面的优势，为个体化延迟时间选择提供了新思路。

结论

这项研究证实，基于深度学习的"无团注效应"CBV合成技术不仅可行，且在胶质母细胞瘤疗效评估中展现出超越传统ASL的临床价值。未来需扩大样本验证其在多延迟ASL设备和不同扫描参数下的泛化能力，但其当前成果已为精准神经肿瘤影像树立了新标杆。