《Frontiers in Neurology》：Utilizing conditional generative adversarial network to generate head MRA based on nonvascular sequences: comparative study of single-modality and multi-modality methods
编辑推荐：
目的：本研究旨在开发一种深度学习模型，从首选的非血管序列（T1W、T2W和FLAIR）合成头部MRA图像，并评估合成MRA（syn-MRA）的诊断性能。方法：这项回顾性研究纳入了2022年1月至2023年3月期间在本机构接受多模态MRI（包括MRA和非血管序列
目的：本研究旨在开发一种深度学习模型，从首选的非血管序列（T1W、T2W和FLAIR）合成头部MRA图像，并评估合成MRA（syn-MRA）的诊断性能。方法：这项回顾性研究纳入了2022年1月至2023年3月期间在本机构接受多模态MRI（包括MRA和非血管序列）的老年住院患者。研究人员构建了三个单模态条件生成对抗网络（cGAN）模型（基于T1W、T2W和FLAIR）和一个多模态模型（MIX模型）。采用定量指标评估图像质量。两名放射科医师独立使用Likert量表评估图像视觉质量。两名资深神经放射科医师评估了结构化报告和诊断信心。结果：本研究最终纳入140例患者：训练集98例，验证集14例，测试集28例。MIX模型优于单模态模型（测试集：结构相似性指数0.880，峰值信噪比33.18 dB，均方根误差0.022）。所有模型的syn-MRA相比真实MRA均显示出显著更高的信噪比和对比噪声比（p＜0.001），改善了血管信号均匀性（p＞0.05），但静脉污染更明显（p＜0.001）。与真实MRA相比，MIX模型在总体图像质量（中位数：5 vs. 5，p＝0.344）、血管锐利度（中位数：5 vs. 5，p＝0.145）和诊断信心（中位数：5 vs. 5，p＝0.102）方面达到了相当水平。MIX模型的syn-MRA显示出92.2%的诊断准确率（血管水平）。结论：MIX模型优于单模态模型，其图像质量和诊断性能与真实MRA相当。
论文解读文章
脑血管成像在临床诊断中至关重要，时间飞跃法磁共振血管成像（TOF-MRA）作为一种广泛应用的无创技术，具有高空间分辨率、多角度血管可视化且无需碘对比剂等优势，是检测血管畸形、狭窄和动脉瘤的主要手段。然而，由于TOF-MRA采集时间较长，临床医师常优先完成非血管序列（如T1加权、T2加权和液体衰减反转恢复序列）的扫描，再根据异常发现决定是否进行MRA，这可能导致血管意外病变的漏诊。当前多模态成像技术虽允许通过单次采集同步获得多种对比加权图像，显著缩短检查时间，但MRA仍需额外采集。生成式神经网络模型在医学图像任务中取得了显著成功，尤其是生成对抗网络（GAN）在血管分割、图像增强和跨模态合成方面展现潜力。基于非血管序列的MRA合成有望在不增加扫描时间的前提下实现脑血管筛查，但现有研究多采用多模态输入，缺乏对单模态与多模态方法的系统比较，且验证工作集中于单一疾病队列（如大血管闭塞或动脉瘤），未能全面反映合成MRA（syn-MRA）的整体诊断性能。为此，本研究旨在开发一种基于条件生成对抗网络（cGAN）的深度学习框架，从临床常规采集的非血管序列（T1W、T2W、FLAIR）中合成高质量MRA图像，并通过单模态与多模态方法的比较分析，以及结构化诊断报告评估syn-MRA的临床适用性。论文发表在《Frontiers in Neurology》。
研究采用的主要关键技术方法包括：基于条件生成对抗网络（cGAN）架构构建MRA合成模型，生成器采用U-Net++结构，判别器采用Patch-based方法。为避免3D图像中非成像平面的条纹伪影，采用2.5D输入设置（同时输入5个相邻2D切片），输出结果基于重叠次数进行平均。为增强对合成MRA图像中精细血管细节的控制，设计了基于最大强度投影（MIP）的损失函数（MIP loss）。数据来自上海第六人民医院（2022年1月至2023年3月）的老年住院患者，使用3T扫描仪（Prisma/Skyra, Siemens Healthcare）采集标准化多模态脑部MRI序列（包括3D T1W、3D T2W、3D FLAIR和3D TOF MRA）。排除运动伪影、金属伪影和序列缺失病例后，共纳入140例患者，按7:1:2比例随机分为训练集（98例）、验证集（14例）和测试集（28例）。构建了三个单模态模型（T1W模型、T2W模型、FLAIR模型）和一个多模态MIX模型（以T1W、T2W、FLAIR图像为输入，TOF-MRA为金标准），其中MIX模型在U-Net++生成器前引入卷积门控模块，动态融合多模态输入特征。定量评估采用结构相似性指数（SSIM）、峰值信噪比（PSNR）和均方根误差（RMSE）；血管定量分析测量信噪比（SNR）和对比噪声比（CNR），兴趣区（ROI）手动勾画于右侧颈内动脉C5段（R-ICA-C5）、左侧颈内动脉C5段（L-ICA-C5）和基底动脉（BA）；视觉质量采用5点Likert量表评估总体图像质量、血管边缘锐利度和静脉污染；结构化诊断报告由两名资深神经放射科医师评估主要脑动脉（ICA、MCA、ACA、VA、BA、PCA）的狭窄（＞50%）、动脉瘤、血管发育异常及正常状态，并评估诊断信心。
研究结果如下：
**3.1 患者特征**：共纳入140例患者图像，训练集98例（36.7%男性，平均年龄68±8岁），验证集14例（42.9%男性，平均年龄65±8岁），测试集28例（39.3%男性，平均年龄71±8岁）。
**3.2 模型定量评估**：在测试集中，MIX模型在合成源MRA（syn-source-MRA）上达到SSIM 0.880±0.032、PSNR 33.18±1.21 dB、RMSE 0.022±0.003，在合成MIP MRA（syn-MIP-MRA）上达到SSIM 0.791±0.043、PSNR 26.60±1.45 dB、RMSE 0.047±0.008，均优于所有单模态模型（T1W、T2W、FLAIR）。消融研究表明MIP损失一致改善了所有模型的syn-MIP-MRA定量参数。
**3.3 血管定量分析**：所有模型的syn-MRA图像相比真实MRA，平均SNR和CNR均显著更高（p＜0.001）。syn-MRA图像降低了BA与ICA-C5之间的信号强度差异（BA/ICA-C5的r-SNR和r-CNR在syn-MRA和真实MRA之间无显著差异，p＞0.05），表明生成模型有潜力改善TOF-MRA中血管信号不均匀性问题。观察者间一致性良好（ICC＞0.800），MIX模型图像尤佳。
**3.4 视觉质量评估**：MIX模型syn-MRA在总体图像质量（中位数5 vs. 5，p=0.344）和血管边缘锐利度（中位数5 vs. 5，p=0.145）上与真实MRA无显著差异，而单模态模型syn-MRA评分显著低于真实MRA（p＜0.001）。所有模型的syn-MRA均表现出更明显的静脉污染（p＜0.001），尤其在海绵窦区域。
**3.5 结构化诊断报告**：真实MRA检出动脉狭窄（＞50%）2例（7.1%）、动脉瘤3例（10.7%）、血管发育异常9例（32.1%）、正常动脉15例（53.6%）。在血管水平，MIX模型syn-MRA诊断准确率最高（92.2%，284/308支血管），假阳性率最低（7.5%，23/308），假阴性率最低（0.6%，2/308）。动脉狭窄是假阳性的主要来源（6.8%，21/308）。所有模型中，ICA和BA的假阳性狭窄率最低，MIX模型在各类血管中假阳性率均最低，其中VA假阳性率最高（14.3%，8/56）。MIX模型在患者水平准确率0.786（95% CI: 0.605–0.898），敏感度0.923（95% CI: 0.667–0.986），特异度0.666（95% CI: 0.417–0.848）。血管水平中BA准确率最高（0.964），VA最低（0.857）。诊断信心方面，MIX模型syn-MRA与真实MRA相当（p=0.102）。
讨论部分总结：本研究表明，syn-MRA相比真实MRA能有效降低图像背景噪声、提高动脉信噪比并改善血管信号均匀性。多模态MIX模型优于单模态模型，其syn-MRA图像质量与真实MRA相当，而单模态模型表现不佳。静脉污染是合成MRA的主要挑战，源自静脉与动脉的形态相似性，尤其在海绵窦区域，此现象可能导致假阳性动脉瘤。不同模态中FLAIR序列因血管与脑脊液对比不足，导致血管连续性生成失败率最高（假阳性狭窄率55.5%），提示其不适合用于颅脑MRA合成。诊断性能方面，动脉狭窄的假阳性主要源自血管连续性中断，MIX模型有效缓解了这一问题。在血管层面，BA和ICA表现最佳，而MCA、ACA、PCA、VA因血管走向与成像平面角度较小、管径细、迂曲度高，导致原始TOF信号弱，重建效果较差。尽管MIX模型检测到所有真性动脉瘤，但海绵窦干扰导致假阳性病灶，未来可整合注意力机制或血管分割模型以减少血管外信号污染。当前结果表明，单模态模型尚不适合临床应用，而基于MIX模型的syn-MRA可作为筛查颅内大血管病变的辅助工具，无需额外扫描时间；但对于海绵窦附近动脉瘤，仍需TOF-MRA进行综合评估以降低误诊风险。局限性包括单中心、老年人群、缺乏DSA验证、病理样本量有限等，未来需在多中心、大样本队列中验证。
研究结论部分翻译为：总之，研究人员开发了一种基于多模态非血管图像生成MRA图像的深度学习方法。在老年住院患者中的评估表明，syn-MRA达到了与真实TOF-MRA相当的图像质量，且多模态模型相比单模态方法生成了更优质量的MRA。通过该方法生成的syn-MRA有望用于筛查颅内大血管病变，减少偶然漏诊。
