磁共振指纹成像技术及临床应用的进展.pdf

第40 卷第2 期2023年0 6 月Chinese J Magn Reson,2023,40(2):207-219磁共振指纹成像技术及临床应用的进展波谱学杂志Chinese Journal of Magnetic ResonanceVol.40 No.2Jun.2023doi:10.11938/cjmr20223034黄敏1,2*，李思怡1，陈军波1,2，周到1,21.中南民族大学生物医学工程学院，湖北武汉430 0 7 4；2.医学信息分析及肿瘤诊疗湖北省重点实验室，湖北武汉430 0 7 4摘要：磁共振指纹（magneticresonance fingerprinting，M R F）是一种革新性的快速定量磁共振新技术，本文在成像技术和临床应用两个层面对MRF进行了综述。在成像技术方面，主要从数据采集、字典建立，以及传统量化框架到深度学习量化框架的模式识别这3个步骤进行论述，分析存在的技术难点然后对MRF在人体重要部位的临床应用进行了总结，介绍了MRF技术在重复性和再现性方面的验证现状.最后，本文分析了MRF走向临床存在的各种技术挑战及障碍，对MRF技术未来的发展方向进行了展望.关键词：磁共振指纹；数据采集；字典建立；模式识别；深度学习网络；临床应用；可重复性中图分类号：R318.0;R445.2文献标识码：AProgress of Magnetic Resonance Fingerprinting Technology and ItsClinical ApplicationHUANG Minl,2*,LI Siyil,CHEN Junbol,2,ZHOU Daol,21.School of Biomedical Engineering,South-Central Minzu University,Wuhan 430074,China;2.Hubei Key Laboratory of Medical InformationAnalysis and Tumor Diagnosis&Treatment,Wuhan 430074,ChinaAbstract:Magnetic resonance fingerprinting(MRF)is a revolutionary new technique for rapid quantitative magneticresonance imaging.We reviewed the imaging technology and clinical application of MRF in an all-round way.We focus onthree technical aspects:data collection,dictionary generation,and pattern recognition from traditional quantitativeframework to deep learning quantitative framework.We also analyzed the technical challenges and limitations of MRF.Theclinical applications of MRF in various human body regions were summarized,and the current status of MRF technologyverification in terms of repeatability and reproducibility was introduced.Finally,we discussed the potential barriers andopportunities for MRF to enter clinical application and envision the future development direction of MRF technology.Keywords:magnetic resonance fingerprinting,data acquisition,dictionary generation,pattern recognition,deep learningnet,clinical application,repeatability收稿日期：2 0 2 2-11-14；在线发表日期：2 0 2 3-0 2-16基金项目：湖北省自然科学基金资助项目(2 0 2 0 CFB837)；中央高校基本科研业务费专项资金资助项目(CZZ21006).通信作者(Corresponding author):*Tel:13554286418,E-mail:.208引言磁共振成像（magnetic resonance imaging，M R I）是一种软组织对比度高的医学影像技术，在临床上发挥着巨大作用但常规MRI是加权成像，包括纵向弛豫时间（Ti）、横向弛豫时间（T2）、质子密度（protondensity，PD）和扩散加权等，无法通过一次扫描同时得到组织的多个参数的量化值而即使是对同一病人进行扫描，MRI扫描设备和成像序列的不同都会造成磁共振图像的灰度值不同对磁共振图像的评价多依赖于医生的主观性判断，因此这将对放疗涉及的靶区肿瘤分割等图像分析及后处理操作的稳定性产生影响，从而导致基于磁共振图像的临床诊断和治疗决策的不确定性增加、复杂性加剧 磁共振指纹（magneticresonance fingerprinting，M R F）技术可以突破这种局限性MRF采用特殊的数据采集、后处理和可视化方法，只需一次扫描便可对组织的多个特性参数进行同时量化，提高了MR研究的灵敏度和特异性，给临床诊断带来一种全新的方法.MRF是一种革新性的定量磁共振新技术2 0 13年，凯斯西储大学生物医学工程系的Ma和Griswold博士等2 首次在Nature上发表了关于MRF技术的论文.MRF通过单次扫描，可同时获得组织参数（Ti、T2、PD 等）和系统参数（主磁场不均匀度Bo*、射频场不均匀度B1*等）的量化值，从而实现快速稳健的多参数量化成像3，更准确的体现组织间的差别基于MRF获得的组织特征如同人的指纹一样具有唯一性，更有利于临床疾病诊断而且，基于与人工智能（artificial intelligence，A I）结合的定量检查可以制定更个性化的疾病诊疗方案4.在MRF以往的综述论文中，主要是从传统模式识别框架1.3-5 进行论述，或者针对MRF在单个部位（如心脏6）的应用进行讨论.本文对MRF的成像技术和临床应用进行了较全面地综述，第一部分讨论数据采集、字典建立，以及MRF传统量化框架和最新出现的深度学习（deeplearning，D L）量化框架的两类模式识别方法，分析各步骤中存在的技术难点：第二部分对MRF在人体重要部位的临床应用进行了总结第三部分针对MRF技术的重复性和再现性等多方验证进行论述.第四部分分析MRF走向临床存在的各种技术挑战及障碍，对MRF成像未来的研究和发展方向进行了展望.波谱学杂志第40 卷1MRF成像技术的进展不同于常规MRI技术，MRF技术在数据采集和数据处理方面都独树一帜，主要包含3个步骤：数据采集、字典建立、模式识别首先进行数据采集，即采用快速脉冲序列和欠采样轨迹采集原始数据然后实现字典建立，即根据数据采集的序列参数和组织的待量化参数范围，生成字典信号条目和参数表最后完成模式识别，即对采集数据进行重建得到空间每个体素的指纹，将指纹和字典信号进行匹配，再从参数表获得量化值.1.1数据采集实现MRF数据的快速采集需要设计独特的脉冲序列，其必须对组织参数（TI、T 2 等）有很强的敏感性.为保证空间和时间的非相干性，MRF扫描时采用多组伪随机变化的翻转角（flipangle，FA）、回波时间（echotime，T E）和重复时间（time ofrepetition，T R）组成的脉冲序列；在时间维尽可能多的扫描（50 0 30 0 0 组），且TR值很短（为十几毫秒）：而常规MRI只采用一组固定的FA和TR，T R 为几毫秒至几千毫秒.MRF技术首次提出时采用的是基于反转-恢复的平衡自由稳态进动序列（balanced steady state freeprecession，b SSFP)，在 Siemens Espree1.5T扫描仪上对大脑进行数据采集2 ，该序列在Siemens公司也被称第2 期为真稳态进动快速成像序列（truefast imaging with steady state precession，T r u e FISP）.T R 选取为10.5 14ms，TE为TR的1/2，螺旋欠采样因子为1/48，单支螺旋采集时长为5.8 ms.12.3s（时间维10 0 0 组）扫描一层12 8 12 8 的数据该序列采集的信号的信噪比（signaltonoiseratio，SNR）高，但对磁场不均匀度敏感，容易引起黑带伪影；可用于量化Ti、T 2 和Bo*，但不能量化B1*.2015年，Jiang等7 采用基于梯度回波的普通稳态进动快速成像序列（fast imagingwith steady stateprecession，FISP），在Siemens Skyra3T扫描仪上对大脑加速扫描，该序列也被称为自由稳态进动序列（steadystatefreeprecession，SSFP）采用2 ms的超短TE，随正弦变化的FA，带Perlin噪声的TR（11.5 14.5m s），单支螺旋欠采样，时间维10 0 0 组13s扫描一层2 56 2 56 的数据，空间分辨率更高该序列对偏振影响不敏感，不会出现bSSFP图像中的黑带伪影但采用FISP序列采集的MRF信号不如bSSFP序列的信号那么平滑，SNR更低；而且FISP采用非平衡梯度，Ti和T2量化精度比bSSFP序列稍低（低1%）采用FISP序列使MRF技术能拓展到大脑以外的其他成像部位，例如，对腹部进行屏气扫描此序列可用于量化Ti和T2，不能量化Bo*若还要量化B参数，可在FISP序列末尾引入9 0-0 的交替FA，增加序列对BI场不均匀度的敏感性8 .MRF除了最常用的bSSFP和FISP序列外，还可采用射频破坏梯度回波序列9 来同时测量TI和T2*，该序列的TE在14 7 5ms内平滑变化，FA变化与FISP序列相同，适合采用单次回波平面成像（echoplanarimaging，EPI）采集数据，但不能测量T2.MRF序列在MRF成像中至关重要，但序列设计时FA和TR参数可以随机变化任意组合，有无数可能性，如果都在仪器上进行实验来对比序列性能是不现实的有研究者提出了各种序列优化方法。Kara等10 和Sommer等向指纹中添加高斯噪声来仿真模式匹配中存在的混叠噪声，结合欠采样轨迹进行模拟采样和模式识别，比较不同序列的量化结果，从而优化序列后者!I通过内积最小化和蒙特卡罗模拟研究了MRF序列的编码能力Zhao等12 提出Cramer-Rao下限优化法，采用克拉美罗下限（Cramer-Raolowerbounds，CRLB）代价函数分析MRF序列对量化准确度的性能影响，寻找无偏估计的方差下限该方法被MRF领域用于优化FA和TR模式，以实现最佳序列设计2 0 2 2 年，Heesterbeek等13 利用微扰理论数学模型预测欠采样引起的误差通过不断调整FA来实现MRF序列优化，抑制MRF模式识别中的欠采样误差。他们用活体扫描比较了优化序列13、传统正弦FA模式序列2 、CRLB序列12 这三者与标准值的定量误差，结果显示优化序列的误差最小（Ti：5.6%2.9%，T 2：7.9%2.3%），传统序列次之，CRLB序列最大.Jordan等14则采用基于物理模型的DL网络给出优化方向损失函数采用大脑模型参数值与量化参数值之间的均方误差，并将扫描时间作为一项约束