膝关节骨骼快速MRI——一种基于人工智能驱动的重建方法用于绝热反转恢复制备的超短回波时间序列

《Physica Medica》：Fast MRI of bones in the knee – An AI-driven reconstruction approach for adiabatic inversion recovery prepared ultra-short echo time sequences

　　

摘要
目的 基于反转恢复制备的超短回波时间（IR-UTE）MRI能够实现无辐射的骨组织可视化。然而，达到足够的信噪比通常需要较长的采集时间。研究人员报告了一项可行性研究，提出了一种数据驱动方法来重建欠采样IR-UTE膝部数据，从而加速基于MR的骨骼三维成像。
方法 数据采用三维径向IR-UTE脉冲序列采集，该序列利用开源框架Pulseq实现。研究人员使用来自八名健康受试者的数据以监督方式训练了一个去噪卷积神经网络（DnCNN）。将不同回顾性欠采样子集（对应2.5分钟、5分钟和10分钟采集时间）的共轭梯度灵敏度编码（CG-SENSE）重建与相应的参考数据集重建（30分钟采集时间）配对。随后，将DnCNN集成到基于FISTA（快速迭代收缩阈值算法）的重建算法中，以实现基于物理的迭代重建。研究人员使用标量度量计算和专家阅读研究对来自另外四名健康受试者的回顾性欠采样数据集进行了定量评估。还对一次前瞻性加速扫描评估了度量指标。纳入了一例胫骨平台骨折的病理病例用于定性展示。
结果 训练后的DnCNN实现了有效的噪声抑制，其应用展现出最有利的定量结果，而迭代重建方案则互补性地减轻了去噪引起的条纹伪影，尤其是在5分钟扫描时。骨折特征在患者病例中能够可视化，尽管细节程度低于光子计数CT（PCCT）。
结论 利用任务特定训练的DnCNN显示出缩短骨组织高信号MR成像扫描时间的潜力，从而解决了临床实施的一个关键障碍。

论文解读：基于AI驱动重建加速膝关节骨骼IR-UTE MRI的可行性研究

**研究背景与问题**
磁共振成像（MRI）用于骨组织可视化面临技术挑战。骨信号主要来源于胶原结合水质子，其横向弛豫时间（T₂）极短（约400 μs），常规序列难以捕获。超短回波时间（UTE）成像通过缩短回波时间（TE）可采集短T₂信号，但骨质子密度低，周围脂肪和肌肉等长T₂组织信号占优，导致骨在UTE图像中呈低信号。绝热反转恢复制备UTE（IR-UTE）序列通过施加绝热反转脉冲，使长T₂组织的磁化在反转时间（TI）处达到零交叉，从而选择性突出短T₂骨组织信号，实现骨的高信号可视化。然而，IR-UTE序列需要多次重复反转脉冲，导致采集时间过长（通常30分钟），严重制约了其临床推广。加速采集的主要策略是“欠采样”，即减少k空间投影数，但会引入噪声和伪影。现有加速技术如压缩感知（CS）和机器学习方法需针对IR-UTE特性进行优化。因此，研究人员开展了此项可行性研究，旨在开发一种数据驱动的重建方法，在保持图像质量的前提下显著缩短IR-UTE膝关节扫描时间，为MR骨骼成像的临床转化提供依据。该研究发表于《Physica Medica》。

**研究内容与结论**
研究人员提出了一种基于去噪卷积神经网络（DnCNN）的迭代重建算法（命名为S3MOB，即Speedy 3D MRI of Bone），用于加速径向IR-UTE膝关节数据重建。通过训练任务特定的DnCNN（在8名健康志愿者数据上训练），并将其嵌入快速迭代收缩阈值算法（FISTA）框架，实现了物理一致性与深度学习降噪的协同。对4名额外健康志愿者的回顾性欠采样数据（对应2.5、5、10分钟扫描时间）进行定量评估（结构相似性指数SSIM、峰值信噪比PSNR、归一化均方根误差NRMSE、感知锐度指数PSI）和专家阅读研究（5点Likert量表评分），并与CG-SENSE、CS、预训练DnCNN的PnP-pre方法对比。此外，纳入1例胫骨平台骨折患者的前瞻性加速扫描（5分钟）进行定性展示。结果表明，S3MOB方法在相似度指标上优于CG-SENSE和CS，锐度优于CG-SENSE-Dn，且能有效抑制条纹伪影；5分钟扫描的S3MOB重建获得专家评分中所有评估项均值≥3，被认为是最佳扫描时间折中。骨折特征在MR图像中可识别，但细节不如光子计数CT（PCCT）。结论：任务特定训练的DnCNN具有缩短IR-UTE骨成像扫描时间的潜力，是克服临床实施障碍的关键一步。

**主要关键技术方法**（不超过250字）
1. **序列实现**：采用开源Pulseq框架在MATLAB中开发3D径向IR-UTE脉冲序列，绝热反转脉冲（双曲正割形，10 ms，带宽~1.6 kHz）后采集7个径向投影，TE=30 μs，TR=150 ms，TI=64 ms，1.3 mm各向同性分辨率。
2. **数据采集与样本**：在3T临床扫描仪上使用15通道发射/接收膝线圈采集12名健康志愿者（V1-V12，年龄20-31岁）的左膝数据，其中8名（V1-V8）用于训练，4名（V9-V12）用于测试；另纳入1例51岁女性胫骨平台骨折患者（PCCT确诊）。
3. **网络与训练**：采用改进的DnCNN架构（含6个残差块，总参数量482.9k），以CG-SENSE重建的欠采样二维矢状切片为输入，以30分钟参考数据集CG-SENSE重建为目标，分别训练对应R=3、6、12（2.5、5、10分钟）的模型，使用MAE损失和Adam优化器。
4. **迭代重建算法**：基于PnP-FISTA（即插即用快速迭代收缩阈值算法），将2D DnCNN逐切片应用于每轮迭代，通过数据一致性项（A^*(Ax-y)）和降噪加权因子σ=0.15平衡物理模型与深度学习，迭代6次，重建时间约6分钟/三维图像。

**研究结果**
- **训练与重建时间**：DnCNN训练时间约10小时（R=3）、23小时（R=6）、45小时（R=12）；S3MOB重建时间约6分钟，CG-SENSE-Dn约3分钟，CS约11分钟。
- **定量标量指标**（表1）：回顾性欠采样数据中，CG-SENSE-Dn获得最高相似度（SSIM、PSNR、NRMSE），但锐度（PSI）最低；S3MOB相似度优于CG-SENSE、CS、PnP-pre，锐度介于两者之间；5分钟S3MOB的PSI为0.306，优于CG-SENSE-Dn的0.264。
- **专家阅读研究**（表3）：CG-SENSE-Dn在整体图像质量、轮廓/锐度、噪声三项评分最高，但伪影评分较低（存在条纹伪影）；S3MOB在5分钟时所有四项评分均≥3，为唯一达到该标准的配置；参考图像评分（30分钟）为2.8（整体图像质量）。
- **前瞻性加速扫描**（图5、图6、表2）：志愿者V12的5分钟前瞻性扫描经配准后，S3MOB重建的SSIM达到0.837，PSNR 35.22 dB，与回顾性5分钟结果（SSIM 0.857，PSNR 35.78 dB）接近；未配准图像因运动伪影略有下降。
- **病理病例展示**（图7）：胫骨平台骨折患者5分钟前瞻性扫描中，S3MOB和CG-SENSE-Dn均能清晰显示皮质骨折线；S3MOB在矢状面保持更多骨折细节，在冠状面减少条纹伪影，但整体细节不如PCCT（像素<0.2 mm）。

**讨论与结论**
讨论部分指出，S3MOB方法在定量相似度上优于CG-SENSE、CS和PnP-pre，但锐度低于CG-SENSE和CS，这是降噪应用中的典型折中（由于通用损失函数不严格惩罚空间分辨率轻微下降）。专家阅读中CG-SENSE-Dn评分最高，可能与高信噪比误导专家对分辨率的感知有关；S3MOB在5分钟时达到所有评估项均值≥3，表明该扫描时间是图像质量与时间的有利折中。病理案例中，MR图像主要显示皮质骨骨折，而PCCT提供更精细的骨小梁形态，这与MR信号来源于胶原结合水、CT反映矿化骨成分的机制差异一致。研究局限性包括：训练数据仅来自8名健康志愿者，未包含患者；前瞻性与回顾性扫描间存在运动干扰；DnCNN对矢状面训练导致其他方向出现条纹伪影（但迭代重建可通过数据一致性缓解）。未来方向包括训练通用网络、采用端到端变分网络、扩展至全三维处理。
**结论翻译**：在这项探索性工作中，研究人员提出了一种基于PnP-FISTA的重建算法，该算法嵌入了任务特定的DnCNN，用于重建欠采样的径向三维IR-UTE膝关节数据集。DnCNN使用不同欠采样水平下从健康志愿者获得的CG-SENSE重建图像进行训练。DnCNN在CG-SENSE重建上的单次应用以及将其集成到上述算法中，均能产生足够的图像质量，并与30分钟扫描时间的参考采集保持高度相似性。虽然直接应用在标量图像指标和专家阅读评分方面取得了最有利的定量性能，但迭代方案通过强制执行数据一致性减少了与降噪相关的条纹伪影。此外，通过胫骨平台骨折的示例，展示了两种方法在描绘皮质骨折特征方面的定性能力。任务特定训练及其后续的DnCNN利用，证明了在可行扫描时间内进行MR基础骨评估的潜力。