编辑推荐：
这篇综述聚焦 MRI 采集与重建的可重复性研究，提供实用指南和实践案例。
# MRI 采集与重建：迈向可重复性研究的新征程
在生命科学和健康医学领域，磁共振成像（Magnetic Resonance Imaging，MRI）技术犹如一把精准的 “钥匙”，不断解锁人体奥秘，为疾病诊断、治疗监测和医学研究提供至关重要的影像信息。然而，随着 MRI 研究向计算科学领域的深度拓展，其可重复性问题逐渐凸显，成为阻碍技术进一步发展和广泛应用的 “绊脚石”。本文将深入探讨 MRI 采集与重建在可重复性研究方面的进展、挑战与应对策略，带您领略这一领域的前沿动态。
一、MRI 研究的发展与可重复性危机
过去二十年间，MRI 研究从传统的化学和物理科学领域跨越到计算科学领域。扫描仪硬件的升级、数值模拟技术的进步以及图像重建算法的优化，再加上现代并行硬件强大的计算能力，使得先进的 MRI 应用如雨后春笋般涌现。这些应用曾经因漫长的图像采集和重建时间而无法实现，如今却逐渐成为现实。
然而，这一发展并非一帆风顺。软件的复杂性和迭代算法框架的不断演进，使得许多已发表的 MRI 研究成果难以复现。在科学研究的大环境中，可重复性是衡量研究可靠性和科学性的重要标准。但在 MRI 领域，大量研究成果无法被其他独立团队成功复现，引发了可重复性危机。据《Nature》对 1576 名研究人员的调查发现，方法和代码的不可获取是导致这一问题的主要因素之一。
那么，究竟什么是可重复性呢？根据 2019 年美国国家科学院、工程院和医学院的共识报告，可重复性是指在相同的输入数据、计算步骤、方法和代码以及分析条件下，获得一致的结果；而可复制性则是指在不同研究中，针对相同科学问题，使用各自独立获取的数据，获得一致的结果。在 MRI 研究中，可重复性与计算工具和算法紧密相连，因此本文聚焦于计算 MRI（computational MRI）领域的可重复性研究。
二、计算 MRI 可重复性面临的挑战
（一）采集挑战
MRI 采集协议在不同系统、站点和扫描之间存在显著差异，这给研究的可重复性和适用性带来了巨大阻碍。尽管脉冲序列的主要参数，如重复时间（TR）、回波时间（TE）和射频（RF）脉冲翻转角等通常会在研究中报告，但这些序列的编程方式却存在很大的变数，即使名义参数相同。
硬件的差异也会对图像采集和定量测量产生影响。例如，不同的磁场强度、梯度性能、RF 发射和接收系统以及光谱仪设计，都会导致采集结果的不同。此外，操作人员的因素，如患者定位、线圈放置和成像协议的执行情况等，也会引入额外的可变性。
2020 年国际医学磁共振学会（International Society for Magnetic Resonance in Medicine，ISMRM）的可重复性挑战充分展示了这些问题。在该挑战中，18 个团队依据一篇关于 T1 映射的开创性论文提供的采集细节，对 ISMRM/NIST 幻影或人体进行扫描。结果发现，不同团队之间 T1 测量的变异性是单个团队内部变异性的两倍，这表明原始论文缺乏确保定量 MRI 结果一致复现所需的详细信息。
（二）重建挑战
MRI 重建的可重复性同样受到多种因素的制约。重建算法的多样性、缺乏标准化的预处理工作流程以及计算方法报告的不足，都使得重建结果难以复现。此外，供应商特定的重建工作流程往往缺乏透明度，许多数据处理步骤，如图像插值方法、低通滤波、强度校正和梯度非线性校正等，可能会影响重建的可重复性，且这些过程多为专有技术，研究人员通常在不了解数据预处理管道的情况下接收处理后的数据。
2019 年 ISMRM 的可重复性挑战对基于 SENSE 的图像重建进行了探索。尽管由于重建视野等未指定参数导致结果存在较大差异，但各团队的图像质量却相对相似，这也反映出重建过程中存在的问题。
（三）数据挑战
数据共享在计算 MRI 研究中也是一个难题。许多数据来自人体扫描，受到机构审查委员会的批准限制，共享这些数据可能需要额外的监管批准。即使数据可以共享，公开托管数据的成本也可能较高，且数据的长期可访问性也存在不确定性。
随着计算实验复杂度的增加和数据量的增大，例如在训练机器学习模型时，共享整个数据集可能并不现实。当数据可用时，研究中可能缺乏关于实验中使用哪些文件的具体细节，如训练 / 验证 / 测试数据的划分。此外，缺乏标准化的数据格式也给数据共享和分析带来了困难。
（四）工具挑战
软件环境的变化也是计算研究面临的一个重要问题。随着时间的推移，底层软件可能会出现 “位腐” 现象，即某些程序或功能可能会停止工作，即使表面上看起来 “没有变化”。这是因为操作系统、软件环境和托管服务等都可能发生变化，破坏了向后兼容性。因此，已完成研究项目的代码可能需要定期更新以保持可用性。此外，软件和数据的许可证选择也会对代码和数据的重用产生影响。
三、计算 MRI 可重复性的研究努力
面对这些挑战，计算 MRI 研究社区积极采取行动，致力于提高研究的可重复性。ISMRM 可重复性研究小组（Reproducible Research Study Group，RRSG）的成立为这一努力注入了强大动力。RRSG 在 2021、2022 和 2023 年的 ISMRM 年会上举办了成员发起的研讨会，并开展了可重复性团队挑战等活动。同时，MR-Hub 和 MR-Pub 网站分别托管已发表论文的工具箱和代码包，为研究人员提供了便利的资源共享平台。
许多学术期刊也在为促进可重复性研究贡献力量。《Magnetic Resonance in Medicine》（MRM）杂志创建了官方代码审查机制，鼓励作者分享代码和数据，并定期突出展示提供开源代码的出版物。《Magnetic Resonance Materials in Physics, Biology and Medicine》（MAGMA）杂志要求所有原创研究文章包含数据可用性声明。欧洲医学和生物学磁共振学会（European Society for Magnetic Resonance in Medicine and Biology，ESMRMB）的 “MRI together” 倡议则促进了全球在开放、可重复和包容性 MRI 研究方面的合作。
在工具开发方面，用于序列定义、MRI 模拟和重建的开源工具不断成熟，并建立了稳定的软件接口。这些工具被整合到支持可重复性研究的开源工作流程中。例如，Pulseq、PyPulseq、TOPPE 等软件可用于定义完整的脉冲序列，JEMRIS、MR-zero 等可进行 MRI 模拟，BART、Gadgetron、MiRT 等可实现 MRI 重建。同时，多个工作组制定了共识报告，旨在改善可重复性，基准测试论文也为不同的重建方法和算法提供了代码。
四、MRI 可重复性研究的实用指南
（一）MRI 序列设计
MRI 序列是控制采集过程的核心，它通过操纵外部磁场、时间延迟和信号采集周期来控制磁化，从而获取编码信号以生成图像。MRI 序列的构建块包括 RF 事件、梯度事件、时间延迟和 ADC 事件。
在序列定义方面，传统的序列图虽然有助于理解序列的基本原理，但在可重复性方面存在不足。例如，从一个 TSE 序列图尝试复现序列时，会发现 RF 脉冲相位、ADC 相位、梯度斜率、压碎梯度、RF 脉冲形状等关键信息缺失，这可能导致序列无法准确复现。
为了实现 MRI 序列的可重复发表，建议提供精确的实现细节，包括
G ( t ) 、RF 振幅 (t)、RF 相位 (t) 和 ADC (t) 及其相位，并使用版本控制工具和在线存储库共享生成代码或序列定义文件。同时，要注意不同扫描仪和软件版本可能会对序列产生影响，因此需要在目标平台上仔细测试和验证序列。
在实际应用中，RF 脉冲的特性，如带宽、切片轮廓和B 1 r m s ? B 1 r m s ?
（二）扫描过程
在扫描过程中，为了确保可重复性，需要控制 “输入数据”，即被扫描的对象。在实际操作中，对患者进行可重复性测试面临伦理和后勤方面的挑战，因此通常采用对多个健康受试者进行可复制性研究，或使用幻影模型和计算模型来替代。
幻影在评估 MRI 可重复性方面起着关键作用，它可以提供稳定和标准化的参考，减少生物因素和患者特异性差异带来的变异性。市场上有许多高质量的可重复甚至定量的幻影，如 ISMRM/NIST 幻影，也可以使用简单的自制幻影，如琼脂糖幻影或新鲜鸡蛋。同时，MRI 模拟可以将采集转化为纯计算问题，通过精确定义组织参数图等输入数据，实现可重复性研究。目前，虽然已有多种模拟工具，但缺乏全面和定量的比较，鼓励开展相关研究以促进这一领域的发展。
（三）MRI 重建
MRI 重建的任务是从采集到的信号中恢复横向磁化，即图像，这是一个逆问题。传统的重建方法包括基于笛卡尔采样的直接逆离散傅里叶变换，以及为了加速采集而采用的并行成像和压缩感知（Compressed Sensing，CS）等方法。
深度学习的发展为 MRI 重建带来了革命性的变化，它通过从训练数据集中学习 MRI 图像的统计特性，取代了传统的手工制作的正则化项，实现了更快、更准确的重建。然而，为了实现深度学习模型的可重复性，需要报告数据集、数据预处理和数据划分，以及模型架构等信息。
一个完整的 MRI 重建管道通常包括噪声预白化、k 空间数据归一化、k 空间校正、线圈压缩、线圈灵敏度估计、PICS 或深度学习重建、图像处理、定量参数图估计和窗口化插值等步骤。为了实现 MRI 重建的可重复性，应提供完整的反映重建定义的软件代码，包括计算环境中使用的所有软件版本，并以供应商中立的格式提供处理的数据，最好能提供单元测试以检查重建输出的正确性。
在实际重建过程中，可能会遇到各种问题影响可重复性。例如，在基于 BART 进行的并行成像和 CS 重建实验中，未报告迭代次数、虚拟线圈数量、k 空间数据预白化和归一化等参数，会导致重建结果出现偏差。此外，参考图像质量指标在评估 MRI 重建方法时也存在挑战，如参考图像的选择、噪声的影响、掩码的应用以及回顾性子采样等问题，都可能导致评估结果的不公平或不一致。
五、可重复性研究的通用工具与最佳实践
在可重复性研究中，良好的代码管理和版本控制至关重要。建议使用版本控制系统，如 Git，并将代码和数据托管在公共平台上，如 GitHub、GitLab。同时，要添加相关的许可证信息，选择宽松的许可证，如 MIT 许可证，以方便代码的使用和共享。在代码库中，应包含 README 文件，提供项目目标、使用说明和文件组织等信息，并提供安装说明和常见问题的解决方法。使用 Docker 等工具封装环境，为每个论文中的图创建独立的脚本以复现结果，并实现单元测试以验证关键功能和工作流程的完整性。
六、总结与展望
本文全面回顾了 MRI 采集与重建在可重复性研究方面的进展，通过提供实用的指南和丰富的实践案例，为研究人员在该领域的工作提供了重要参考。可重复性是计算 MRI 研究的基石，它不仅有助于确保研究结果的可靠性，还能促进研究的进一步发展和应用。
然而，目前的研究仍然存在一些不足之处，例如在某些方面缺乏统一的标准和规范，部分工具的性能和功能还有待进一步优化。未来，计算 MRI 研究社区需要共同努力，持续完善可重复性研究的生态系统。一方面，要加强对可重复性研究的重视，不断探索和创新，开发更加先进的方法和工具；另一方面，要积极推动社区驱动的倡议，如在 GitHub 存储库中聚合需要指定的参数，鼓励研究人员分享实验细节，共同提高 MRI 研究的可重复性。
相信在研究人员的共同努力下，MRI 技术将在生命科学和健康医学领域发挥更大的作用，为人类的健康事业做出更多的贡献。
