基于合成X-Q空间学习的扩散MRI参数估计方法：在乳腺DKI中的初步研究

《International Journal of Computer Assisted Radiology and Surgery》：Synthetic X-Q space learning for diffusion MRI parameter estimation: a pilot study in breast DKI

本研究针对扩散MRI(dMRI)参数估计中传统机器学习方法对真实数据依赖性强、拟合质量要求高等问题，开发了合成X-Q空间学习(synXQSL)新方法。通过合成包含空间邻域信息的训练数据，结合多层感知机(MLP)回归器，在乳腺扩散峰度成像(DKI)实验中证明，该方法能有效提升噪声数据下的参数估计鲁棒性，显著改善参数图对比度，为dMRI定量分析提供了新思路。

　　

水分子在生物组织内的扩散行为如同一位微米级别的信使，通过其运动轨迹向我们揭示组织微观结构的奥秘。扩散磁共振成像(diffusion MRI, dMRI)正是捕捉这种运动的关键技术，它通过施加不同强度和方向的运动探测梯度(motion probing gradient, MPG)，获取一系列扩散加权图像(diffusion-weighted imaging, DWI)，再通过数学模型拟合，量化出如扩散系数(D)、扩散峰度(K)等参数，用于评估组织完整性、细胞密度及病理改变。然而，从嘈杂的DWI信号中精准提取这些参数却非易事。传统的最小二乘拟合(least-squares fitting, LSF)方法在面对复杂模型（如扩散峰度成像, DKI）时计算成本高昂，且对噪声敏感。近年来兴起的机器学习(machine learning, ML)方法，特别是基于合成Q空间学习(synthetic q-space learning, synQSL)的策略，通过使用无限量的合成数据进行训练，避免了真实数据在多样性和质量上的限制，展现出巨大潜力。但synQSL通常以单个体素为单位进行参数估计，缺乏对图像空间平滑性的考虑，这在噪声较大的临床数据中可能导致结果不稳定。

为了解决这一问题，由Yoshitaka Masutani等人组成的研究团队在《International Journal of Computer Assisted Radiology and Surgery》上发表了一项创新性研究，提出了一种名为合成X-Q空间学习(synthetic X-Q space learning, synXQSL)的新方法。该方法的核心思想是将参数估计的空间从单纯的Q空间（描述扩散加权的空间）扩展到X-Q空间（联合了体素物理位置和扩散加权的空间），在训练回归模型时，不仅考虑中心体素的DWI信号，还纳入其3×3邻域内体素的信号，从而引入空间正则化，有望提升估计的鲁棒性。

为了验证synXQSL的有效性，研究人员开展了一系列实验。他们首先合成了海量的训练和测试数据。参数（S₀, D, K）在一定范围内随机生成，并利用6种基底模式（平坦、线性、二次型）的线性组合来模拟3×3邻域内参数的空间变化，以增加训练数据的多样性。接着，根据DKI信号模型方程计算出每个位置、每个b值下的理想DWI信号，并模拟Rician噪声的污染，噪声水平由噪声比(NR = σ/ S₀平均值)控制。研究采用多层感知机(multi-layer perceptron, MLP)作为回归器，输入是3×3邻域内所有体素在非零b值下的信号衰减比(E_i,j = S_i,j/S_i,0)，输出是中心体素的D或K参数估计值。

关键的技术方法包括：基于线性组合基底合成3×3邻域参数图模式；利用DKI模型方程和Rician噪声模拟生成X-Q空间训练数据；使用多层感知机(MLP)进行回归模型训练与参数估计；通过合成数据、数字体模以及30例临床乳腺dMRI数据集（回顾性收集自东北大学医院，含26例恶性和4例良性病例）对synXQSL、synQSL和LSF方法进行对比评估。

研究结果

合成数据实验表明synXQSL在噪声数据中优势明显

通过在不同噪声水平（NR=0.0, 0.001, 0.01, 0.1）下进行交叉测试，结果显示synXQSL（使用全部6个二次型基底）在估计噪声数据（特别是NR=0.1）的参数时，其均方根误差(RMSE)显著低于synQSL和LSF。同时，验证了噪声水平匹配对synXQSL性能的重要性。K参数的改善程度比D参数更为显著。

数字体模实验揭示不同基底组合的差异

在已知真实值的数字体模上，synXQSL生成的参数图整体上比synQSL更平滑。比较不同基底组合（M=1平坦, M=3线性, M=6二次型）发现，仅使用平坦基底(M=1)会在图案边界产生较大误差和形状侵蚀，线性基底(M=3)会导致边缘模糊，而二次型基底(M=6)在保持边界锐利度和内部平滑度方面取得了最佳平衡，其K参数的RMSE、信噪比(SNR)、对比噪声比(CNR)和结构相似性指数(SSIM)均显著优于synQSL。

临床数据验证显示synXQSL提升图像质量

在真实的临床乳腺dMRI数据上，synXQSL（M=6）估计的D和K参数图与synQSL结果整体相似，但噪声更少，对比度更高。具体表现为：synXQSL的D图中消除了synQSL出现的白色点状过估计误差；血管结构在synXQSL的D图中显示为更高的值，更符合其高灌注特性的生理事实；synXQSL的K图结果更平滑，在乳腺腺体组织内保留了细微的低K值结构，同时在脂肪组织中减少了负K值的黑点误差。定量分析显示，synXQSL (M=6) 在D图和K图上获得的CNR（分别为1.685和3.714）均高于synQSL（分别为1.533和2.233）。

结论与讨论

本研究系统地探讨了synXQSL的基本特性。结果表明，对于噪声较大的dMRI数据集（如NR=0.1的临床数据），synXQSL通过引入空间邻域信息进行正则化，能够有效提升参数估计的鲁棒性，抑制噪声，提高参数图的对比度。在训练数据合成中，使用二次型基底组合能够生成最合理的局部参数模式，是首选方案；对于边缘不尖锐的数据集，线性基底也可作为备选。

研究也指出了synXQSL的适用场景和局限性。当数据噪声较低（NR<0.1）或经过先进的去噪、AI重建预处理后，synQSL可能仍是更简洁有效的选择。此外，对于b值采样较稀疏的dMRI协议，synXQSL的优势可能更为明显。

与当前其他方法相比，synXQSL属于“局部”正则化方法，它巧妙地平衡了“利用邻域信息提升稳健性”和“保持参数估计的局部特性”之间的矛盾。这与那些使用卷积神经网络(CNN)对整个图像进行处理的“全局”方法形成对比，后者可能受限于训练数据的规模和多样性。一些近期研究也探索了使用注意力机制或变换器(Transformer)结合局部邻域（如3×3块）的方法，其结果间接支持了synXQSL所采用的邻域大小是合理的。

展望未来，研究人员计划将synXQSL应用于更复杂的模型，如结合了体素内不相干运动(IVIM)和DKI的IVIM-DKI模型，以提升乳腺肿瘤分类的准确性。同时，将其扩展到具有各向异性结构的脑部dMRI分析是一个重要的方向，这需要考虑向量或张量参数在空间上的变化，可能引入黎曼几何(Riemannian metrics)进行建模。在技术层面，探索随机森林(Random Forest)、Kolmogorov-Arnold网络(KAN)等其他回归器与MLP的比较，以及采用更复杂的真实噪声模型（如高斯混合Rician噪声）也是未来的研究重点。从更广阔的视角看，这种合成学习策略有望应用于结合扩散和弛豫（如T1, T2）的联合信号模型，实现对组织微观结构和生化环境更全面的量化表征。

总之，这项初步研究证实了synXQSL在提升dMRI参数估计鲁棒性方面的潜力，为开发更可靠、更精准的定量磁共振成像分析方法奠定了基础。