脑MRI中体素内不相干运动–扩散峰态混合成像（Hybrid Intravoxel Incoherent Motion–Diffusion Kurtosis Imaging，IVIM–DKI）：应用、见解及新兴方向的范畴综述

《Journal of Magnetic Resonance Open》：Hybrid Intravoxel Incoherent Motion–Diffusion Kurtosis Imaging in Brain MRI: A Scoping Review of Applications, Insights, and Emerging Directions

　　

摘要：体素内不相干运动（Intravoxel Incoherent Motion，IVIM）与扩散峰态成像（Diffusion Kurtosis Imaging，DKI）是先进的扩散磁共振成像（diffusion Magnetic Resonance Imaging，dMRI）技术，分别用于表征微血管灌注与非高斯扩散。二者的混合实现（IVIM–DKI）可在单次采集中同时评估扩散、灌注及组织异质性。本范畴综述旨在综合当前关于脑成像中IVIM–DKI的生物物理基础、方法学进展及应用证据。研究人员遵循PRISMA-ScR（Preferred Reporting Items for Systematic Reviews and Meta-analyses extension for Scoping Reviews）指南对五个数据库进行系统检索，纳入报告脑部MRI中联合IVIM–DKI采集、建模或应用的研究，并对数据进行叙述性综合。最终7项研究符合纳入标准，涵盖方法学、实验及临床领域。IVIM–DKI可在单次采集中联合估算扩散、灌注及峰态相关参数，但采集方案与建模方法存在显著异质性。灌注相关参数与已有灌注测量指标呈部分对应，但也反映非血管贡献；联合扩散与峰态指标在组织表征方面具潜在价值，而包括基于深度学习拟合在内的新兴方法可改善参数稳定性。IVIM–DKI是用于一体化表征脑微结构与灌注前景良好的多参数框架，但现有证据仍有限且异质，需标准化采集、稳健建模及更大规模的验证研究以确立其重现性与临床实用性。

论文解读：脑MRI中体素内不相干运动–扩散峰态混合成像（IVIM–DKI）的范畴综述

研究背景与立题依据

传统扩散加权成像（Diffusion Weighted Imaging，DWI）基于单指数模型估算表观扩散系数（Apparent Diffusion Coefficient，ADC），无法区分真实水分子扩散与微血管灌注效应。体素内不相干运动（Intravoxel Incoherent Motion，IVIM）模型通过双指数衰减分离慢成分（真实组织扩散系数D）与快成分（微循环伪扩散系数D^*及灌注分数f），可在无外源性对比剂下同时获得扩散与灌注信息。然而常规IVIM假设组织内扩散服从高斯分布，而脑实质因细胞膜、髓鞘及复杂微结构导致显著的受限扩散和非高斯行为，忽略此特性会引入灌注参数估算偏差。扩散峰态成像（Diffusion Kurtosis Imaging，DKI）通过引入峰态（Kurtosis，K）量化非高斯扩散程度，反映组织微结构异质性与复杂性。将二者结合的混合IVIM–DKI框架理论上可同时校正非高斯扩散对灌注拟合的影响，并同步获取微血管与微结构信息，但其文献分散于不同疾病模型与方法学探索，缺乏系统性整合。因此研究人员开展此项范畴综述（scoping review），依PRISMA-ScR指南系统梳理脑IVIM–DKI的生物物理基础、技术方法、临床与临床前应用及现存局限，为未来标准化与临床转化提供路线图。该论文发表于《Journal of Magnetic Resonance Open》。

主要关键技术方法

研究人员注册研究方案于Open Science Framework（OSF），按PRISMA-ScR指南在PubMed、Embase、Scopus、Web of Science及Cochrane Library中以布尔逻辑检索脑MRI中"Hybrid IVIM–DKI""Joint IVIM and DKI"等组合词，限定原创研究（含临床、技术、动物模型或模体，排除纯IVIM或纯DKI及综述）。由两名评审员独立通过Rayyan.ai去重并筛选题目摘要，再全文审读（Zotero管理），争议由第三评审裁决。提取每篇研究的磁场强度、b值方案、拟合方法、参数（D、D^*、f、K等）、主要结果与局限，做描述性统计与叙述性综合。最终从1262条记录经去重、初筛、全文评估后纳入7篇合格研究。

研究结果

Study characteristics（研究特征）

研究人员汇总7项纳入研究的基本信息制成特征表。研究场景涵盖急性/亚急性缺血性脑卒中（Pavilla et al., 2023，3T）、脑肿瘤（Wu et al., 2017，3T）、健康志愿者高通气诱发低灌注（Pavilla et al., 2017，1.5T）、急性缺血性脑卒中试点（Pavilla et al., 2022，1.5T）、创伤性脑损伤（Traumatic Brain Injury，TBI）小鼠模型（Harritz et al., 2025，11.7T）、死后人体脑组织（Bauer et al., 2025，3T）及深度学习拟合算法开发（Lee et al., 2022，3T模拟数据）。b值数为6～16个（范围0–2500 s/mm²），扫描时间约3～25分钟。拟合方式含分段拟合（segmented fitting）、联合拟合（joint fitting）及两步拟合法，Lee等采用深度学习Registration and Quantification Network（RQnet）。

Thematic Synthesis of Findings（结果的主题综合）

纳入研究多用3T（4项）与1.5T（2项），1项为11.7T小动物MRI。b值数多为8～9个，CRLB（Cramér–Rao Lower Bound）优化方案扫描时间控制在3～4分钟。

Biophysical Foundation: What IVIM–DKI measures at tissue level（生物物理基础：IVIM–DKI在组织水平测量的内容）

混合IVIM–DKI可同步估算灌注相关参数（f、D^*）、真实组织扩散（D）及非高斯扩散行为（K）。Wu等证实f与动态磁敏感对比（Dynamic Susceptibility Contrast，DSC）校正后相对脑血容量（relative Cerebral Blood Volume，rCBV）相关性优于未校正rCBV，支持f作为微血管血容量替代指标；但Bauer等在死后脑组织中f未降至零，提示IVIM信号中快成分不只源于活跃毛细血管血流，还受残留微血管腔隙与组织微观结构影响。

Methods and technical development（方法学与技术进展）

IVIM与DKI对b值要求冲突——峰态需高b值（降低信噪比SNR）而灌注需密集低b值采样与高SNR。Pavilla等基于CRLB分析分别优化1.5T（8个b值：0、60、80、300、400、900、1000、1500 s/mm²，约4分钟）与3T（9个b值增加b=30 s/mm²，约3分9秒）方案，在可接受时间内平衡二者需求，但D^*及fD^*（flow-related parameter，f·D^*）仍为变异最大参数。Lee等提出的深度学习RQnet将运动校正与参数估算整合一体，归一化均方根误差（Normalized Root Mean Square Error，NRMSE）较SPM降低48%，参量图与预期灰白质值相符，显示AI辅助后处理提升拟合稳健性的潜力。

Preclinical/experimental Evidence on IVIM-DKI（IVIM–DKI的临床前/实验证据）

Harritz等在TBI小鼠模型中纵向对比DTI、IVIM、DKI与IVIM–DKI，发现伤后第3天广泛白质与灰质MD、AD（Axial Diffusivity）、RD（Radial Diffusivity）升高主要由DKI捕获；第10天白质FA（Fractional Anisotropy）与AD局灶降低伴同侧皮质f显著升高（中间态微血管改变为单纯IVIM未检出）；第22天白质FA、MD及MK（Mean Kurtosis）、AK（Axial Kurtosis）、RK（Radial Kurtosis）更显著弥漫下降，表明IVIM–DKI较DTI与单独IVIM对TBI时序性微结构与微血管变化更敏感。Pavilla等在健康志愿者高通气诱发低灌注实验中，IVIM–DKI检测到f与fD^*显著降低（p<0.01），且较双指数IVIM模型对生理灌注波动更敏感。

Clinical applications of IVIM-DKI（IVIM–DKI的临床应用）

Pavilla等对急性缺血性脑卒中患者行IVIM–DKI，梗死区D较对侧降低（与ADC吻合）、K升高（反映受限扩散增强）、f降低，fD^*较不稳定；3T重复研究（n=15）统计显著性更强，灌注趋势与动脉自旋标记（Arterial Spin Labeling，ASL）一致。Wu等对胶质瘤研究发现K、f、D在三区域（对比增强肿瘤、瘤周水肿、正常表现白质Normal Appearing White Matter，NAWM）差异显著，其中K对肿瘤区域鉴别贡献最大（AUC=0.947），联合K-f提升分级效能；重测Bootstrap分析显示D重复性最好（CV≈6%），K中等（14–20%），f最差（26–44%，白质尤甚）。

Summary of the Results（结果小结）

f与DSC/ASL所示灌注变化总体一致，但死后研究提示其含非血管运动成分，应谨慎视作纯灌注标志。DKI量化非高斯扩散，联合IVIM校正组织扩散异质性后可提高灌注估算稳定性。CRLB优化方案使临床可行扫描时间达3～4分钟，深度学习拟合有改善参数稳定性的前景。IVIM–DKI对灌注与扩散改变的敏感性优于单独双指数IVIM及DTI。

讨论（浓缩）

本范畴综述仅纳入7项异质研究，证据处于早期探索阶段，无法做荟萃分析。IVIM表征的是体素内速度分布而非特指灌注，活体中毛细血管微循环是主要贡献但非唯一来源——死后非零f及相干/非相干运动并存使f具复合生理意义。经典IVIM忽略非高斯扩散会致灌注参数高估，融入DKI通过建模扩散异质性改善IVIM灌注估计的理论合理性已被多项研究所支持，但IVIM–DKI仍未完全分离微血管灌注与其他微观运动。当前最大障碍是采集协议（b值分布、方向数、平均次数）、拟合算法及后处理管线缺乏共识，致跨研究比较困难；即便如此CRLB指导优化与深度学习后处理被证明可提升精度。实验研究验证了DKI峰态参量反映微结构复杂度，IVIM–DKI对TBI时序演变及诱发性低灌注的检出优效于传统模型。临床中缺血区D降、K升、f降模式及胶质瘤分区差异化K/f/D值支持其一体评估潜力。未来需标准化多中心大样本验证、贝叶斯或深度学习拟合推广及虚拟成像仿真辅助协议设计。

结论（翻译结论部分）

IVIM–DKI作为一种混合扩散模型展现出较强潜力，可在单次脑MRI采集中同时估算扩散、相对灌注及峰态参数以实现全面脑评估。来自生物物理、方法学、实验及临床研究的证据表明其对多种脑疾病的微结构与血流动力学改变具敏感性。然而方法学变异大与样本量小目前限制其临床转化。采集方案的标准化及先进计算模型（如贝叶斯估计与深度学习）的整合，是将IVIM–DKI确立为神经影像研究与实践中可靠工具的关键。