运动伪影下MRI图像质量指标与放射学评估的一致性研究及其预处理策略优化

这篇综述系统评估了磁共振成像（MRI）中参考依赖型（reference-based）和无参考型（reference-free）图像质量指标（IQM）在真实运动伪影数据集中的表现，重点分析了预处理技术（如颅骨剥离、归一化方法）对指标稳定性的影响。研究发现参考依赖型指标（如SSIM、VIF）与放射学评估高度一致，而无参考型指标中平均边缘强度（AES）表现最佳；同时强调百分位归一化和脑掩膜应用可显著提升相关性，为运动校正方法的标准化评估提供了重要依据。

　　

方法学框架与指标选择
研究选取了5种参考依赖型指标（SSIM、PSNR、FSIM、VIF、LPIPS）和5种无参考型指标（AES、TG、NGS、IE、GE），基于其在MRI运动校正领域的广泛应用性和代码可获取性。指标定义严格遵循文献标准，例如SSIM通过亮度、对比度和结构相似性评估图像质量，而AES通过梯度幅值量化边缘清晰度。

数据集与预处理策略
采用来自丹麦神经生物学研究所（NRU）和英国卡迪夫大学（CUBRIC）的两组独特数据集，包含3D T₁
MP-RAGE、2D T₂
TSE等序列的真实运动伪影数据。预处理流程涵盖颅骨剥离（BET工具）、刚性配准（FLIRT）、脑掩膜应用（直接掩膜或乘法掩膜）及四种归一化方法（最小-最大、均值-标准差、百分位、无归一化）。其中百分位归一化（1^st
/99.9^th
百分位）表现最优，可避免离群值干扰（图7）。

放射学评估与相关性分析
由资深神经放射学家和技师采用1-5级Likert量表评分，重点关注最差切片质量。Krippendorff’s alpha系数显示评估者间一致性良好（MP-RAGE序列α=0.82）。Spearman相关性分析表明，所有参考依赖型指标与放射学评分强相关（ρ>0.7），其中VIF和FSIM稳定性最佳；无参考型指标中AES和Tenengrad（TG）相关性中等，但显著受预处理影响——未使用脑掩膜时相关性下降达30%（图6）。

关键发现与临床启示

1. 预处理依赖性：脑掩膜应用使IQM聚焦于脑区信号，避免60%以上背景区域干扰；百分位归一化因匹配参考图像直方图分布而优于最小-最大归一化（后者易受离群值影响）。
2. 序列普适性：参考依赖型指标在2D/3D序列中均表现稳健，而无参考型指标在T₂
   FLAIR序列中波动较大（ρ=0.45-0.62）。
3. 局限性：当前分析基于科研数据集，临床场景中2D序列覆盖范围变异可能影响指标性能；7T超高清MRI中的指标表现仍需验证。

未来方向
研究建议开发基于分布的无参考指标和深度学习模型，通过统计特性学习模拟放射科医师的评估逻辑。初步工作（如Mortamet等2019年研究）已证明此类方法在特定序列中的潜力，但需更大规模数据集提升泛化能力。

结论
该研究为MRI运动校正领域的质量评估提供了标准化框架，强调预处理透明化（如明确标注BET/SPM工具使用）和代码开源的重要性，推动可重复研究的发展。