《NMR in Biomedicine》：Separation of Anatomical Contributions in MRSI Using a Non-Negative Geographically Weighted Regression Model
编辑推荐：
磁共振波谱成像（MRSI）是一种非侵入性神经影像工具，可绘制脑代谢物分布，为脑生理和病理提供信息。然而，由于其空间分辨率较低并存在部分容积效应（partial volume effects），即采集信号会检测来自不同组织类型的代谢，阻碍对组织特异性代谢模式的清
磁共振波谱成像（MRSI）是一种非侵入性神经影像工具，可绘制脑代谢物分布，为脑生理和病理提供信息。然而，由于其空间分辨率较低并存在部分容积效应（partial volume effects），即采集信号会检测来自不同组织类型的代谢，阻碍对组织特异性代谢模式的清晰识别，其临床采用仍受限。研究人员开发了一种基于非负地理加权回归（NNGWR）的统计框架，以克服这些限制。该方法利用空间自适应回归将组织部分体积与MRSI数据整合，在成像体积内插值代谢物水平，同时分离不同组织贡献。重要的是，该模型考虑组织内空间异质性，而非假设代谢均匀，从而提供更符合生理现实的估计。使用合成真值数据的模拟显示，该研究方法在高噪声或低分辨率条件下，较三次样条（cubic spline）和零填充（zero-filling）插值持续获得更低的中位绝对百分比误差（median absolute percentage error）。研究人员从36名健康志愿者队列中于3 T采集了共120个MRSI数据集，以评估预测性能。为处理真实世界数据，研究人员实施了一种鲁棒重加权方案（robust reweighting scheme），通过逐步降低退化数据的权重而非将其丢弃来应对谱质量变化，在数据保留与模型稳定性之间取得平衡。将该方法应用于一例胶质母细胞瘤（glioblastoma）临床病例，证明其成功分离健康、肿瘤和坏死组织中的代谢物比值。该模型识别出瘤内代谢异质性（intratumoural metabolic heterogeneity），并为透明临床解释提供局部置信度。通过按组织类型分解代谢贡献并考虑自然空间变化，该方法可改善脑肿瘤表征。该模型适用于其他以组织特异性代谢改变作为疾病生物标志物的神经系统疾病，有助于临床诊断和脑病理生理研究。
研究背景与问题：磁共振波谱成像（MRSI，magnetic resonance spectroscopic imaging）可在二维或三维网格上空间映射脑代谢物，为神经和精神疾病研究提供代谢信息。但为在临床可行采集时间内获得足够谱敏感度和信噪比，MRSI需要较大体素体积，导致空间分辨率低并产生部分容积效应，使采集信号混合不同组织类型的代谢，限制临床和研究应用。基于解剖信息的超分辨率重建方法中，谱成像定位（SLIM，spectral localisation by imaging）假设预定义解剖分区内谱一致，在空间异质性明显区域可导致定量不准确。深度学习超分辨率方法受限于大规模精心整理训练数据、依赖模拟高分辨率真值、体素级不确定性有限、区域代谢行为可解释性有限，并受采集协议、扫描硬件和谱预处理流程差异影响，跨站点泛化受限且重训练和部署计算负担增加。现有MRSI重建与分析方法仍缺乏可临床应用的框架，不能将代谢信息分离到空间异质的分区中。为此，研究人员提出基于非负地理加权回归（NNGWR，non-negative geographically weighted regression）的统计框架，以适应MRSI网格空间稀疏性和脑代谢预期局部变异；该方法不重建更高分辨率网格，而是在感兴趣体积（VOI，volume of interest）内插值代谢水平，同时按各组织部分容积贡献分离插值值，并允许代谢分布在解剖分区内变化。真实临床数据存在谱质量变化，可源于磁场不均匀、线圈敏感度、受试者运动、体素靠近空气或脂质组织界面及化学位移位移误差（CSDE，chemical shift displacement error）等；研究人员引入鲁棒重加权方法，通过系统降低退化谱权重使模型优先依赖较高质量观测，并可推广至多数回归模型，较MRS质量控制的硬阈值处理更平滑。由于MRSI超分辨率和插值方法缺乏内部参考标准，该框架在健康队列中评估预测性能和重加权方案效果，并在模拟数据中分析不同采集条件特别是空间分辨率和采集噪声下的性能表现；还在胶质母细胞瘤临床病例中应用，以说明跨坏死核心、浸润性肿瘤组织和周围健康脑组织的代谢物比值判别及空间分辨代谢解释潜力。
研究内容与意义：研究人员提出并验证了一种基于NNGWR的统计框架，将组织部分体积与MRSI数据通过空间自适应回归整合，在VOI内插值代谢物水平并分离不同组织贡献；该模型不假设组织内代谢均匀，而允许组织内空间异质性，从而提供更符合生理现实的估计。模拟研究显示该方法在高噪声和低网格分辨率条件下较零填充和三次样条插值具有更低中位绝对百分比误差（MdAPE，median absolute percentage error）；健康队列用于评估模型预测性能和鲁棒重加权效果；胶质母细胞瘤病例显示该方法可分离健康、肿瘤和坏死组织中的代谢物比值，识别瘤内代谢异质性，并通过局部置信指标支持透明临床解释。其意义在于按组织类型分解代谢贡献并考虑自然空间变化，改善脑肿瘤表征，并可推广至其他以组织特异性代谢改变为疾病生物标志物的神经系统疾病，服务于临床诊断和脑病理生理研究。
关键技术方法（不超过250字）：模拟研究采用二维分割脑模板生成灰质（GM，grey matter）和白质（WM，white matter）随机场，经空间响应函数（SRF，spatial response function）卷积后离散采样并加入高斯白噪声，比较NNGWR与零填充×2、×16及三次样条插值，以MdAPE评价。健康队列来源为36名健康志愿者（24名男性、12名女性），在3 T下采集120个MRSI网格；每名志愿者接受三次3 T MRI，每次采集两个二维化学位移成像（CSI，chemical shift imaging）半定位绝热选择性重聚焦（sLASER，semi-localized by adiabatic selective refocusing）序列，分别位于半卵圆中心和基底节；数据配准至T1加权MPRAGE，采用FMRIB Software Library（FSL）分割，去除脑脊液（CSF，cerebrospinal fluid）掩膜，LCModel定量；采用留一交叉验证（LOOCV，leave-one-out cross-validation）估计R-squared；通过对4个体素施加5 Hz线宽化和噪声使信噪比减半评估重加权。另纳入经组织学确诊的胶质母细胞瘤临床病例，分割GM、WM、CSF、坏死核心（Core）和非核心肿瘤（Tumour）后应用模型。
研究结果：
模拟研究：共生成1200次交错模拟，由100个合成数据样本组成，每个样本位于100 mm
2 VOI内，覆盖4种相位编码矩阵大小和3种白噪声水平（10%、20%、30%）。结果显示，NNGWR在89.66%的实例中优于零填充插值和三次样条；除矩阵分辨率14且相对噪声10%的最有利设置中三次样条略优于该模型外，其余设置平均MdAPE均较低；在高噪声和小网格尺寸等挑战性设置中优势更明显。按组织类型评估模拟N-乙酰天冬氨酸（NAA，N-acetylaspartate）浓度估计，所有模拟设置的平均MdAPE范围为2.95至7.40。参考方法在CSF区域误差升高，因其无解剖信息不能对缺失代谢比值作假设；该模型可在这些区域估计代谢比值并降低误差。
队列评估：共纳入36名健康志愿者（24名男性、12名女性）的120个MRSI网格，数据来自既有健康志愿者队列；每名志愿者接受三次3 T MRI，每次两个CSI sLASER序列，分别位于半卵圆中心和基底节；仅纳入分辨率为相应条件的网格后，半卵圆中心数据集（n=108）多于基底节（n=12）。带宽参数在总胆碱（tCho，total choline）、总N-乙酰天冬氨酸（tNAA，total N-acetylaspartate）、总肌酸（tCr，total creatine）和乳酸（Lac，lactate）间分布显著不同（Kruskal–Wallis检验）。R-squared值总体较高，但Lac及Lac/tCr模型较低。灰质和白质内平均代谢物比值分布被报告。为测试重加权性能，对特定谱线施加5 Hz线宽化和信噪比减半，目标谱线质量权重下降；应用鲁棒权重后，最大和中位偏差分布改善，各代谢物相对原始估计的偏差持续减轻，说明通过降低低质量谱线影响可维持稳定准确估计。
临床病例分析：选取一例中枢神经系统胶质母细胞瘤患者，基于增强T1加权、T1加权、T2加权和FLAIR图像算法标注并补充分割，将VOI分为GM、WM、CSF、坏死肿瘤核心（Core）和周围非核心肿瘤（Tumour）五区；因肿瘤占据VOI大部分，GM和WM合并为Healthy以获得更稳健估计。掩膜与SRF卷积后映射模型协变量。健康谱线表现为正常代谢轮廓，tNAA显著、胆碱较低且无可检测乳酸；肿瘤谱线显示tNAA降低、胆碱升高并出现乳酸峰；坏死区tNAA缺失且乳酸明显升高。计算谱质量以得到鲁棒回归权重；最受惩罚数据来自外层体素，通常信噪比较低且FWHM增大，两个坐标处异常谱线权重设为零并排除。局部R-squared图显示模型性能在外层体素尤其角落下降，因邻域数据点有限导致局部样本量减少、系数估计稳定性下降和噪声易感性增加。肿瘤区域内代谢分布呈空间异质性：前部Lac/tCr升高、tCho相对浓度增加且tNAA/tCr降低，而后部不同。按脑分区分离代谢物比值后，Lac/tCr在健康组织几乎缺失、肿瘤区显著升高、核心肿瘤区最高；tCho/tCr在核心肿瘤峰值、肿瘤区高、健康区最低；tCho/tNAA在核心肿瘤最高、肿瘤区升高、健康组织低；tNAA/tCr主要见于健康区，肿瘤区和核心肿瘤显著降低。Wilcoxon比较显示除肿瘤内Core与非Core的tNAA/tCr无显著差异外，所有脑区中位代谢物比值差异显著（adjusted p < 0.001）；为避免自由度人为膨胀，比较限制于体素中心估计。该病例估计R-squared为tCho/tNAA 0.93、tNAA/tCr 0.97、tCho/tCr 0.95、Lac/tCr 0.94；单代谢物R-squared为tCho 0.93、tNAA 0.95、tCr 0.95、Lac 0.94。
讨论与结论：讨论部分指出，该研究旨在通过插值MRSI数据并分离多个脑分区贡献来改善MRSI空间信息；与假设分区内代谢均匀的SLIM及其变体不同，该模型考虑代谢变化，提供更生物学合理的表示。由于MRSI超分辨率研究缺乏直接真值，研究人员通过健康年轻志愿者队列的平均拟合质量和模拟研究评估可靠性。模拟中该模型优于零填充和三次样条插值，尤其在高噪声和低网格分辨率时，说明解剖一致插值对恢复低分辨率MRSI丢失信息重要；零填充仅重采样至更细网格而不引入新信息，且该模型还能跨解剖分区分离重建图。模型对tCho、tNAA和tCr等主要代谢物预测性能较强，Lac及基于Lac的比值R-squared较低，可能与健康脑组织乳酸浓度低导致定量不确定性高有关；胶质母细胞瘤病例乳酸较高时拟合质量更好。鲁棒重加权通过渐进降低不可靠谱线重要性替代硬阈值，使用紧支撑函数和相对质量指标分布的阈值，使重加权适应应用和序列，高度退化谱线可被移除；当谱质量指标均匀时权重趋于相等，模型回到标准形式，该方法可整合到多数回归和优化模型。中位和最大偏差百分比大幅降低，说明鲁棒重加权降低谱退化易感性并减少估计失败风险；临床病例显示模型可排除差质量谱线并利用周围数据进行数据填补，较标准方法更可靠。健康队列中GM较WM具有较低tCho/tCr和tNAA/tCr，与既往发现一致；胶质母细胞瘤中tCho和Lac/tCr升高、tNAA/tCr降低与高级别胶质瘤代谢改变一致；Lac/tCr和tCho插值在胶质母细胞瘤内异质分布，可能有助于预测肿瘤传播方向和映射肿瘤侵袭性异质性，并便于回顾性体素与ROI对齐。带宽参数按代谢物比值优化且分布显著不同，提示最佳空间变化尺度因代谢物而异，但其估计为纯数据驱动，解释需谨慎，可能反映生物过程及影响最终MRSI数据输出的技术因素。按脑分区划分代谢物比值便于精确比较平均分布；既往方法常限于单组织类型主导靶区，而该模型可分离贡献，在生理混合区域分析分割ROI。该模型应理解为现实的一种统计表示，提供生物学合理分区内的内在代谢分布，而非确定真值；局部R-squared等局部统计可作为诊断指标，提示谱伪影或解剖分割不准确；对低浓度代谢物在相应组织分区不足区域解释需谨慎，此类边缘情况可能降低数值稳定性。模拟设计局限在于零填充应用于降采样实值浓度图而非定量前复数k空间或时域数据，因此模拟未完全反映在体MRSI采集流程，报告误差应视为乐观估计；但模型在所有测试设置中优于零填充插值，提示相对优势稳健。与深度学习超分辨率方法相比，该模型仅需单次MRSI采集和解剖分割，无需训练阶段或大型标注数据集，更便于临床使用；MRSI超分辨率研究常依赖有限或人工训练数据，真实采集应用时性能可能下降。该工作聚焦代谢物比值，因其为临床最常见定量方法；当前模型不直接适用于绝对定量，因需考虑部分容积效应、弛豫时间效应及进一步验证。虽应用于相位编码MRSI，但可适配其他定位技术如三维回波平面谱成像，只要提供合适SRF定义。更合适的GWR模型可用于特定研究目标或临床应用，例如混合GWR可在某些分区强制代谢均匀，多尺度GWR可允许靶区更大空间异质性，各向异性核可考虑脑组织各向异性。该模型不依赖磁场强度，整合CSDE可更精确表征MRS数据，尤其在高磁场CSDE更明显时改善性能。
结论部分翻译：研究人员提出了一种基于NNGWR的新型统计框架，在存在部分容积效应时插值代谢物比值并估计分区特异性贡献。该模型允许每个分区表现空间异质性，从而更符合生理现实地表示脑代谢。真实世界MRSI数据通过鲁棒重加权方案处理，该方案减轻空间变化的谱质量影响并提高模型稳定性。应用于胶质母细胞瘤临床病例时，该框架成功分离健康、肿瘤和坏死组织中的代谢物比值。它通过提供多种局部和全局指标（如R-squared图）增强MRSI数据可解释性，并通过识别拟合质量较低区域提供透明度。鉴于该框架的开放性和适应性，该模型可能适用于临床和研究环境。
