基于射频激励嵌入Transformer框架的多对比度生成与定量MRI新方法

《Communications Biology》：Multi-contrast generation and quantitative MRI using a transformer-based framework with RF excitation embeddings

本研究针对多序列MRI扫描时间长、定量分子成像模型复杂等临床瓶颈，开发了基于视觉Transformer的MRI框架(TBMF)。通过融合射频激励参数嵌入与28.2秒校准扫描，实现了94%的扫描加速，能够生成多种分子对比度图像并同步量化六种生物物理参数（fss、kssw、T1、T2、B0、B1），为脑组织分子组成无创解析提供了突破性技术方案。

　　

在当代临床医疗中，磁共振成像(MRI)已成为不可或缺的诊断工具，但其广泛应用面临着一个关键挑战：全面的疾病诊断需要获取多种对比度图像，这通常意味着患者需要接受一系列不同的脉冲序列扫描，导致检查时间大幅延长。以脑肿瘤为例，标准MRI协议包括T₁加权、T₂加权、FLAIR、扩散加权成像，有时还需灌注成像和MR波谱成像，整个过程耗时漫长。更复杂的是，图像对比度不仅受采集参数影响，还因个体组织特性差异而显著不同，使得预先设计的协议可能对某些患者效果不佳，而离线分析模式又使得协议调整变得极为困难。

饱和转移(ST)MRI作为一种新兴技术，能够通过射频(RF)可调敏感性检测多种分子特性，如移动蛋白质和肽体积分数、细胞内pH值和谷氨酸浓度，在肿瘤检测与分级、早期卒中表征、神经退行性疾病成像等领域展现出巨大潜力。然而，ST-MRI的临床应用仍受限，部分原因是其相对较长的扫描时间，且每种目标化合物都需要单独采集序列，使得多对比度ST成像更加不切实际。

定量成像技术虽能提高重现性和准确性，但复杂体内环境的多质子池特性限制了模型驱动方法的有效性，导致不同研究组报告的生物物理值存在显著差异，或需要额外序列来简化模型，反而增加了采集时间。

针对这些挑战，来自特拉维夫大学和埃尔兰根-纽伦堡大学的研究团队在《Communications Biology》上发表了题为"Multi-contrast generation and quantitative MRI using a transformer-based framework with RF excitation embeddings"的研究论文，提出了一种基于Transformer的MRI框架(TBMF)，能够在规避冗长多序列采集的前提下，提供丰富的生物信息。

TBMF的核心创新在于其数据驱动而非显式遵循Bloch方程的学习策略。该框架包含两个主要模块：核心模块专注于研究RF激励下MRI信号传播的时空动力学，实现按需图像对比度生成；量化模块则通过迁移学习策略，同步绘制六种生物物理参数图谱。研究团队使用9名健康志愿者的300多万个图像和采集参数对进行训练，并在代表三种挑战性场景的测试集上验证框架性能：未参与训练的健康志愿者、在不同影像中心扫描的脑癌患者，以及使用不同硬件和MRI型号扫描的健康志愿者。

关键技术方法包括：基于Pulseq框架的MRI序列设计，采用3D离心重排序EPI读取模块实现1.8mm各向同性全脑覆盖；视觉Transformer架构处理双域输入（RF激励信息和组织响应图像）；迁移学习策略将核心模块学到的RF-图像映射关系应用于定量参数估计；以及综合SSIM和L₁损失的优化目标。测试对象涵盖14名健康志愿者和1名胶质母细胞瘤患者，所有实验均遵循伦理规范。

TBMF框架设计

研究团队设计的TBMF核心模块采用双域输入架构，包含m=6个非稳态MRI校准图像和RF激励参数张量。参数张量由校准图像对应的采集参数和后续图像输出的按需参数拼接而成。图像数据通过视觉Transformer学习嵌入表示，RF物理特性则通过全连接层学习嵌入。量化模块采用迁移学习策略，插入核心模块权重、移除最后一层，并增强两个新卷积层，通过真实参考数据引导量化导向学习。

生物物理模型无关的多对比度预测

核心模块在生成按需分子图像（半固体磁化转移(MT)和酰胺质子化学交换饱和转移(CEST)加权）方面表现出色。使用前六个图像进行个体校准后，TBMF成功预测了后续六个响应图像。在结构相似性指数(SSIM)>0.96、峰值信噪比(PSNR)>36、归一化均方根误差(NRMSE)<3%的指标下，预测图像与真实数据在视觉、感知和像素级相似度方面高度一致。递归应用核心模块（使用模型输出作为下一输入）可实现最多m-to-3m的转换，性能仍保持较高水平（SSIM>0.94，PSNR>32，NRMSE<3.7%）。

生物物理组织参数的快速量化

量化模块接收与核心模块相同的输入，产生六种参数图谱：半固体MT质子体积分数(f_ss)和交换速率(k_ssw)、水池纵向(T₁)和横向(T₂)弛豫时间，以及静态(B₀)和发射(B₁)磁场。TBMF重建的参数图谱在视觉、感知和定量方面与真实参考高度相似，在相同扫描仪上测试的对象性能最佳（SSIM=0.919±0.024），其次是不同影像中心的癌症患者（SSIM=0.884±0.024）和不同硬件的健康志愿者（SSIM=0.811±0.044）。全脑定量图像重建推理时间在GPU上仅需6.751秒。

重复测试研究及噪声影响

通过三名健康志愿者在八个月内不同日期及同一天多次扫描的测试，TBMF显示出高重复性。除B₀外，所有参数的受试者内变异系数(WCoV)低于7%，同一天扫描的WCoV甚至低于2.5%。类内相关系数(ICC)分析显示，k_ssw、f_ss和T₁映射具有极好可靠性(ICC>0.97)，T₂映射良好(ICC=0.67-0.75)，B₁映射一般(ICC=0.45-0.75)，B₀可靠性较差(ICC<0.4)。噪声影响测试表明，在SNR≥24dB时性能趋于稳定，符合实际体内噪声水平。

消融研究

损失函数选择实验证实，SSIM与L₁组合损失在所有指标上表现最优。基于Shapley值的归因分析显示，模型对RF激励输入特征具有物理合理性关注，如B₀图谱量化中最具影响力的参数均与饱和脉冲频率偏移相关。注意力可视化揭示了Transformer层在不同脑区的空间关注模式，第一层主要关注白质和脑边界，后续层逐步补充信息区域。去除核心模块预训练的消融实验表明，量化性能显著下降（SSIM降低约0.1，NRMSE增加约0.03），证实了预训练策略的必要性。

与替代方法比较

在L-精氨酸体模中，TBMF在水T₁和T₂估计方面明显优于Bloch拟合、经典点积ST MRF和物理信息自监督学习。当所有方法使用相同输入（六幅图像）时，TBMF在大多数参数上的绝对百分比误差(APE)显著更低。将输入图像系列延长至30幅后，对比方法性能提升，但在多数情况下仍不显著优于TBMF。人体实验显示出类似趋势，TBMF在半固体MT质子体积分数(f_ss)和交换速率(k_ssw)量化方面的APE显著低于所有对比方法。

研究结论表明，TBMF框架通过显式引入多样化采集参数描述符和视觉Transformer的学习策略，成功实现了快速、准确的按需对比度生成和多重生物物理参数定量。该方法的94%扫描加速能力、对未知病理和扫描条件的良好泛化性，以及与传统方法相比的优越性能，为临床MRI提供了有前景的解决方案。特别值得关注的是，虽然本研究聚焦饱和转移对比度生成，但相同概念框架可扩展至扩散、灌注、弛豫、磁化率等其他对比度加权图像生成，只要提供来自相同机制的兴趣区域快速采集数据和匹配采集参数即可。

未来工作方向包括在其他扫描仪型号上增加训练以提高泛化能力，扩大疾病队列训练以探索临床适用性，以及通过专用序列优化进一步提升多参数编码能力。量化模块也可训练使用替代参考模态，如³¹P成像（用于重建细胞内pH图谱）或非MR图像（如Ki-67增殖指数组织学图像），创造新的跨模态见解和机会。

总之，TBMF代表了一种无生物物理模型偏见的计算框架，能够实现超快速按需对比度生成和定量MRI，有望显著加速临床MRI进程，为揭示人脑组织分子组成提供强大工具。