SubDIVIDE：基于联合扩散方差分解建模与子空间重建的高效张量值扩散磁共振成像

《Journal of Intelligent Medicine》：SubDIVIDE: Efficient tensor-valued diffusion magnetic resonance imaging via joint diffusional variance decomposition modeling and subspace reconstruction

　　

张量值扩散磁共振成像（tensor-valued diffusion MRI）通过扩散方差分解（diffusional variance decomposition，DIVIDE）和扩散张量分布（diffusion tensor distributions，DTD）等模型，能够区分微观扩散各向异性和各向同性异质性。然而，这些模型需要在多个b值（b-value）和b张量（b-tensor）形状下进行密集采样，因而对噪声和采集时间限制高度敏感。在这项工作中，研究人员提出了一种模型感知的子空间重建框架（model-aware subspace reconstruction framework），将基于DTD的DIVIDE建模与低秩信号表示相结合。通过利用DIVIDE信号在扩散编码域中固有的低维结构，研究人员构建了一个物理一致的子空间，从而能够从高度欠采样的数据中实现联合重建和参数估计。仿真和体内实验表明，与传统重建方法相比，所提出的方法显著提高了DIVIDE衍生的微结构参数的稳定性和精度，同时实现了显著加速。这些结果表明，子空间约束重建为高效且稳健的多维扩散磁共振成像提供了一条原理性路径。

论文解读

扩散磁共振成像（diffusion MRI）通过探测水分子随机运动提供组织微结构的无创观测窗口。传统基于单方向扩散编码的技术（如扩散张量成像（diffusion tensor imaging，DTI））得到的是体素平均指标，但将微观扩散各向异性、方向弥散与各向同性扩散异质性混叠在一起。张量值扩散编码将扩散加权从单一方向扩展至高阶b张量形式（如线性张量编码（linear tensor encoding，LTE）与球形张量编码（spherical tensor encoding，STE）），可在一次准备内沿多个方向施加扩散敏感，从而获得独立于宏观纤维方向一致性的微观各向异性敏感度。扩散方差分解（diffusional variance decomposition，DIVIDE）通过累积展开将各向同性方差与微观各向异性分离；扩散张量分布（diffusion tensor distribution，DTD）则将体素信号建模为扩散张量的分布，为DIVIDE提供了更一般的理论框架。然而，这些模型需要在多个b值和b张量形状下密集采样，并常需粉末平均，导致采集时间过长，对噪声、运动和欠采样伪影高度敏感，临床应用受限。现有子空间重建方法多为数据驱动且模型无关，未充分利用张量值扩散模型中的生物物理先验；常规先重建后拟合的流程是次优的，病态重建步骤引入的噪声与伪影会在后续非线性拟合中被放大。为此，研究人员提出了模型感知的子空间重建框架，将DTD-based DIVIDE建模与低秩信号表示相结合，通过构建物理一致的子空间并直接嵌入重建过程，实现了高度欠采样数据下的联合重建与参数估计，从而减少逆问题自由度、正则化重建并提高参数精度。数值仿真和体内实验验证了该方法可显著改善DIVIDE参数估计的稳定性与精度，同时实现明显加速，为高效且稳健的多维扩散磁共振成像提供了原理性路径。该论文发表在《Journal of Intelligent Medicine》。

在技术方法上，研究人员基于DIVIDE前向模型生成512,000个模拟信号字典条目，采用奇异值分解（singular value decomposition，SVD）提取子空间基；利用复合敏感度图将每个b值的背景相位吸收至线圈敏感度，以校正运动诱导的相位误差；重建时结合子空间约束与局部低秩（locally low-rank，LLR）正则化，通过交替方向乘子法（alternating direction method of multipliers，ADMM）求解；最终使用非负最小二乘（non-negative least squares，NNLS）进行体素参数拟合。数值脑phantom来自BrainWeb数据库并配准至健康志愿者解剖；体内数据在3T United Imaging Healthcare头部专用MRI系统（64通道接收线圈）上采集。

研究结果如下。3.1 数值脑phantom：通过在不同子空间基数量、不同b值采样方案及不同通道数条件下进行仿真实验，研究人员发现采用四个子空间基时重建性能最佳，平均扩散率（mean diffusivity，MD）、各向同性扩散方差（isotropic diffusional variance，V_I）和各向异性扩散方差（anisotropic diffusional variance，V_A）的归一化均方根误差（normalized root mean square error，NRMSE）分别为2.247%、4.832%和2.521%，结构相似性指数（structural similarity index measure，SSIM）分别为0.959、0.927和0.911，均显著优于传统幅度重建。交叉验证结果显示，留出交叉验证最优点K_CV随采样密度和噪声水平变化，95%能量阈值K_E=2；模型失配测试表明，当真实DTD为Lognormal或双室高斯分布时，残余误差主要来自Gamma前向模型本身而非子空间投影；通道数模拟显示，从64通道降至32或16通道时，图像NRMSE上升而MD保持稳定，V_I漂移明显，提示低通道平台需重新执行K选择程序。3.2 体内数据：通过健康志愿者在体实验，研究人员确认前四个子空间系数图已捕获真实信号，更多基会重新引入噪声并劣化参数图。四基重建产生最稳定且符合已知神经解剖结构的MD、V_I、V_A参数图，而采用单次重复时方差图噪声敏感度最高。将DIVIDE指标投影至皮层表面后，MD表现出区域异质性：深部脑沟MD升高，而脑回冠部MD相对降低，展示了DIVIDE框架捕获皮层微结构精细差异的能力。

讨论部分总结：该方法通过时间子空间建模和LLR约束，使传统NNLS算法即可稳定提取微结构参数；复合敏感度图校正了b值间相位变化，恢复实值信号并提高信噪比（signal-to-noise ratio，SNR），避免了Rician噪声偏差。该方法可与运动校正、深度学习等结合，并可推广至CODIVIDE和微观分数各向异性（microscopic fractional anisotropy，μFA）等更高级的DTD模型。讨论指出，超过四个子空间基导致性能下降的原因可能是DWI固有低SNR和较稀疏的b值采样；同时，Gamma DTD下STE信号的旋转不变性降低了信号空间复杂度，使低秩近似足够。数据驱动的K选择程序为不同采样方案提供了具体指导；模型失配实验说明Gamma假设的局限性，未来可改用累积泰勒展开或扩展相位图算法来生成子空间字典。研究采用9个b值的密集采样协议，为子空间重建提供了更稳健的数据支持，后续需系统优化b值数量和位置，并进行跨平台、多场强的验证。研究结论为：所引入的方法为DIVIDE数据的高保真重建提供了一种稳健可靠的架构，从而能够准确定量微观扩散各向异性；通过产生高度可靠的参数图并严格保留各向异性方差指标，该框架有望加速张量值扩散编码的采用，最终推动对人脑复杂微结构架构的研究。