编辑推荐：
在多参数 MRI 研究中，为解决定量 MRI（qMRI）技术临床应用的技术验证及测量不确定性问题，研究人员开展了对磁共振生物标志物评估软件（MR-BIAS）的更新及验证研究。结果显示 MR-BIAS 能准确自动分析扩散体模。这为多中心 qMRI 研究质量保证提供了有力工具。
磁共振成像（Magnetic Resonance Imaging，MRI）如今在医疗领域广泛应用，就像医生的 “透视眼”，帮助他们发现人体内部的各种问题。然而，传统基于定性解读 MRI 图像相对强度的方式存在局限性，难以精准地检测出一些细微变化。定量 MRI（Quantitative MRI，qMRI）的出现为解决这一问题带来了希望，它能通过数值变化更精确地反映患者身体状况，比如检测出特定器官健康组织的表观扩散系数（Apparent Diffusion Coefficient，ADC）是否超出正常范围。
但 qMRI 要想真正在临床上广泛应用，还面临诸多挑战。一方面，其技术需要严格验证，确保数据准确可靠；另一方面，测量不确定性问题亟待解决，这涉及到测量过程的每一个环节，包括用于生成和评估 qMRI 数据的软件。目前，市场上虽然有商业软件可以分析相关体模（Phantoms，用于模拟人体组织特性的测试物体 ）数据，但开源软件在探索新型成像序列和扩散模型方面具有独特优势，且缺乏能同时分析多种技术和体模的开源工具。在这样的背景下，开展对相关开源软件的研究就显得尤为重要。
来自澳大利亚等多个机构的研究人员针对上述问题，对磁共振生物标志物评估软件（Magnetic Resonance BIomarker Assessment Software，MR-BIAS）进行了研究。该软件最初用于分析 MRI 弛豫法体模数据，研究人员对其进行更新，使其能为弛豫和扩散体模数据的分析提供全自动开源解决方案。最终研究表明，MR-BIAS 可以自动且准确地对扩散体模进行 ADC 分析，这一成果对多中心多参数 MRI 研究的质量保证具有重要意义，相关论文发表在《Magnetic Resonance Materials in Physics, Biology and Medicine》上。
研究人员主要运用了以下关键技术方法：首先是图像分析软件 MR-BIAS，它能自动完成图像分类、感兴趣区域（Region of Interest，ROI）检测、模型拟合和结果报告这四项主要任务。在分析扩散加权成像数据时，基于单指数模型，利用线性回归估计 ADC 值。同时，研究人员使用了两个已发表的扩散加权 MRI 数据集对软件进行验证，一个是单中心纵向研究数据集，另一个是多中心多厂商研究数据集123。
下面来看具体的研究结果：
- 单中心纵向研究：通过对单中心数据集的分析评估 MR-BIAS 的定量性能。结果显示，MR-BIAS 计算出的 ADC 值与原始研究在一定公差范围内统计等效，手动匹配 ROI、最佳尺寸 ROI 和全瓶 ROI 的公差分别为 ±0.01、±6 和 ±8 μm2/s 。利用 MR-BIAS 提取的 ADC 值计算的 QIBA（Quantitative Imaging Biomarker Initiative）指标与原始研究相当。通过分析 MR-BIAS 在每个圆柱形 ROI 中 ADC 的空间变化，确定了中心位置的最佳 ROI 尺寸（高度 = 10mm，直径 = 10mm）45。
- 多中心多厂商研究：在多中心数据集上评估 MR-BIAS 的性能，结果表明，MR-BIAS 计算的 ADC 值在手动匹配 ROI 时，与先前报告的基准和机构协议的 ADC 值在一定公差范围内统计等效，公差分别为 ±4 和 ±3 μm2/s ；使用最佳 ROI 时，公差分别为 ±7 和 ±6 μm2/s 。MR-BIAS 生成的 ADC 值计算的汇总指标与原始研究具有可比性67。
综合研究结果和讨论部分来看，MR-BIAS 在分析扩散加权体模图像和估计 ADC 值方面表现出色，不仅 ADC 值与原始研究统计等效，还能得出与原始研究自定义脚本相同的研究结果。研究还发现 ROI 的放置会影响扩散体模图像上 ADC 的评估，MR-BIAS 可以分析 ADC 的空间变化，这对评估梯度非线性（Gradient Non-Linearity，GNL）校正方法很有用。此外，研究中对 MR-BIAS 添加了如基于形状的 ROI 检测等功能，使其适用性更强。
总的来说，这项研究验证了 MR-BIAS 作为开源工具在全自动分析扩散和弛豫体模数据方面的有效性，为多中心和多厂商临床试验中涉及定量 MRI 生物标志物的研究提供了有力支持，有望推动 qMRI 技术在临床上的广泛应用，帮助医生更精准地诊断和治疗疾病。
