基于場圖的磁共振擴散張量成像變形矯正和信號補償

康泰山，楊天和*，林建忠，張家興

近年來隨著高場磁共振檢查儀的廣泛普及，彌散張量成像(diffusion-tensor imaging，DTI)技術觀察顱腦白質神經傳導束走行的獨特優勢已廣泛應用于臨床且越來越受到重視[1-2]。DTI是一種對組織微環境改變十分敏感的成像技術，隨著磁場越來越強，DTI成像中因磁敏感偽影引起的圖像空間變形及體素信號丟失也越嚴重，從而導致DTI在與3D-T1像融合過程中出現白質區域錯位，限制了DTI的臨床應用[3]。DTI序列因相對較長的回波讀出時間，故其對磁場的不均勻性敏感。局部磁場的不均勻性會導致空間變形及體素信號丟失，主要發生在顳葉和前額葉等腦組織與空氣和骨骼的交界面。這種變形及信號丟失在頻率編碼方向上很小，因此主要是相位編碼方向需要進行變形矯正[4]。本研究基于場圖(field map)方法對高場DTI圖像進行相位反卷積變形矯正及信號補償[5-6]，探索場圖方法對DTI圖像變形及信號丟失的矯正和補償效果。

1 材料與方法

1.1 一般資料

收集2015年5月至2015年9月在我院磁共振科因神經系統癥狀而接受頭顱磁共振檢查，但未發現器質性病變者29例，其中男17例，女12例，年齡20～35歲，平均(26±5.3)歲。所用數據都告知研究對象，研究對象簽署知情同意并接受追加腦功能掃描。

1.2 磁共振掃描序列

磁共振成像儀為德國Siemens公司生產的3.0 T Verio型醫用磁共振成像系統，8通道高分辨率頭顱線圈。靜臥掃描，掃描時以現場確認數據的完整性及可用性后結束掃描。掃描序列如下：(1)GRE-field-mapping序列參數：軸狀位掃描，激勵次數1次，FOV=230 mm×230 mm，TR=488 ms，TE1/TE2=4.92 ms/7.38 ms，ΔTE=2.46 ms，采樣矩陣=128×128，層厚=3 mm，間隔=0 mm (采用隔層掃描技術)，相位編碼方向A＞＞P。(2) DTI序列掃描參數：TR=10 s，TE=95 ms，b值為1000 s/mm2，彌散施加方向數30，回波間隙為0.95 ms，FOV、采樣矩陣、層厚、間隔及空間定位均與GRE-field-mapping序列一致。(3) 3D-T1-MPRAG-sag序列參數：TR=1900 ms，TE=27 ms，TI=900 ms，采樣體素為1 mm×1 mm×1 mm。(4)常規序列：軸狀位T1-TSE，軸狀位T2-TSE，矢狀位T2-TSE，冠狀位T2-FLAIR。

1.3 變形矯正及信號補償

采用國際上公開發布的FSL軟件包(FMRIB Software Library)5.0及Freesurfer 6.0軟件包(surfer.nmr.mgh.harvard.edu)對數據進行處理。分析步驟如下：

(1)頭顱運動校準：DTI及場圖序列掃描時患者頭顱的輕微晃動行自身運動校準，保證DTI和場圖影像數據空間位置上的一致性。

(2)對DTI圖像的相位卷積變形進行反卷積處理。場圖矯正方法應至少采集2個不同回波時間圖像并計算在相位上的變化，通過線性插值計算變形圖像的每段線性函數在無變形圖像中的空間位置，然后應用無變形體素位移圖作為模版對變形圖像進行矯正，從而建立無變形圖像。場圖矯正方法主要有以下4個步驟[7]：

從相位場圖中計算相位的變化：

假定y為相位方向，通過線性內插計算出變形矯正后的圖像：

在相位編碼方向上信號值的矯正補償：

(x,y,z)代表圖像中的體素坐標，ΔB0(x,y,z)代表B0場的非均一性差異值，單位是Hz。ΔΘ(x,y,z)代表體素在時間ΔTE中的不同相位測量值，γ代表旋磁比，dy代表場圖中的體素在Y軸方向上的平移。Tacq代表一層原始數據的讀出時間。

(3)信號補償：針對因變形導致的信號丟失及B1場不均勻而導致信號采集時的不均勻，采用基于目標函數(cost-function)掩模法進行補償修復[8-9]。為了實現信號補償，必須通過最優化如下目標函數：

上式中f代表參考圖，g代表需要進行信號補償的圖像。雖然要求解上述目標函數意味著參考圖與重建圖像之間必須非常相似，然而它也在進行優化求解的時候擁有明顯的優點。

上述問題是一個典型的非線性最優化問題，需要尋找合適的w來最小化O。有多種不同的最優化方法可以求解上述方程。這些方法各有優缺點，筆者這里選擇高斯-牛頓法進行最優化求解。該方法提供了一個直接的公式用于計算參數w：

(4)對DTI圖像進行渦流校正并最終計算張量結果。

(5)采用線性[自由度(dof)=12]腦溝邊緣配準到3D-T1-MPRAG-sag結構像并融合。

1.4 變形矯正觀察

將變形矯正前/后計算出的各向異性分數(fractional anisotropy，FA)值圖與3D-T1-MPRAG-sag結構像進行線性配準(dof=12)，使其空間位置基本一致，然后以FA大于0.2為閾值，勾畫出FA值圖白質邊緣并與結構像白質邊緣融合。應用腦功能軟件Freeview (surfer. nmr. mgh. harvard. edu)對圖像進行融合顯示。將變形矯正前計算出的FA值圖與經過場圖變形矯正及信號補償后的FA圖線性配準到3D-T1-MPRAG-sag圖像進行融合對比，觀察白質FA值圖邊緣與結構像白質邊緣對齊情況。

1.5 信噪比測量

根據場圖改變較大的雙側額葉底部及中顱窩底部(顳葉)選擇感興趣區域(region of interest，ROI)(圖1所示藍色圓形區域)。另選擇對磁場不敏感丘腦區域(圖1所示的紅色圓形)作為參照。信噪比(signal to noise ratio，SNR)計算公式為SNR=S/N。處理前后信噪比改變量的計算公式如下[10]：(糾正后信噪比-糾正前信噪比)/糾正后信噪比×100%。雙側額葉和顳葉對照丘腦中心的信噪比計算公式如下：(糾正后信噪比-糾正后丘腦中心信噪比)/糾正后丘腦中心信噪比×100%。

1.6 FA值測量及計算

選擇信號丟失明顯區域，由兩位高年資診斷醫師確認前后位置一致性，計算其前后FA值。計算公式如下：(糾正后FA-糾正前FA)/處理后FA×100%。

1.7 統計學處理

應用SPSS 19.0軟件進行數據處理及統計分析。糾正前、后相同部位ROI測量值比較采用配對t檢驗，P＜0.05為差異有統計學意義。

2 結果

經過場圖矯正處理后：(1)信號的丟失得到補償：額葉和顳葉底部信號經變形糾正及場不均勻補償后增益達15.8%～16.2% (表1)。(2)FA值信號的丟失得到恢復：額葉和顳葉底部FA值經變形糾正及場不均勻補償后增益達17.5%～18.3% (表1)。(3)空間變形得到明顯矯正：經過Freeview軟件對比顯示，額葉和顳葉的白質在空間位置上對位整齊，與3D結構像能很好地匹配融合(圖2)。(4)場圖矯正處理不改變未變形的腦組織信號：丘腦中心因位于大腦中心部位受磁敏感偽影影響極小，糾正前后信號經變形糾正后增益僅為1.5%左右，FA值增益僅為1.02%～2.12% (表1)。額葉和顳葉底部糾正后的信號與丘腦中心的信號無明顯差異，二者的百分比在1.9%以內(表2)。

3 討論

DTI是一種磁共振功能成像，它能無創地顯示腦內神經纖維束的走行、腦功能區間白質纖維束的連接及提示腦內神經結構是否異常。目前DTI在腦白質評價和神經外科手術導航計劃設定等方面顯示了獨特優勢[11-12]。DTI需要應用平面回波成像(echo planar imaging，EPI)，但是EPI在磁化率差異大的組織邊界會產生嚴重的幾何變形，特別在顱底前額葉和顳葉更為明顯，這種變形隨場強增高更加明顯。空間幾何的變形、體素位移及信號的丟失都會影響DTI與結構像的配準，并最終影響結果的準確性。因此，對DTI進行去偽影研究具有重要的實際意義[13]。

表1 各觀察腦區測量值糾正后增加的百分比Tab. 1 Percentage of the increase of each measure in the observed brain regions after rectification or compensation

表2 額葉和顳葉補償后信號分別與同側丘腦糾正后信號差異的百分比Tab. 2 Percentage of the compensated signals in the frontal and temporal lobes compared to that in the collateral thalamus, respectively

克服DTI的畸變主要通過成像序列的優化，如早期的分段EPI序列聯合導航回波掃描技術和線陣掃描彌散成像技術等。但這些方法均各有優缺點，它們至今尚不能很好地應用于臨床[14]。近年來，國內一些學者對DTI數據進行了分析前處理。例如王毅等[15]提出了一種基于圖割的DTI分割算法來精確分割胼胝體；何曉璇[16]針對DTI圖像的磁敏感偽影，通過渦流校正來減小相應的圖像畸變，并采用基于邊界約束的代價函數來保證DTI圖像的配準精度。本研究采用場圖矯正方法對傳統平面回波DTI序列圖像進行基于體素的相位反卷，磁場不均勻導致的變形得以矯正，使以結構像為解剖定位的局部FA和MD等值測量更加準確。同時，本研究變形糾正的結果使得DTI與結構像能夠很好地匹配，也使得以結構像的解剖位置定位進行的纖維示蹤能夠與功能像融合更精確。

本研究對體素位移進行回復及采用目標函數掩模法對信號丟失進行補償，信號易丟失區域(額葉和顳葉)信號顯著提高了15.8%～16.2%，但場影響最小區域(丘腦)信號卻無顯著提高(1.51%～1.56%)，因此該信號補償方法可以減少因場不均勻造成的信號丟失，使結果接近實際狀況。原始圖像信號丟失及變形同時影響最終結果變化。本研究顯示FA值在信號補償后也增加了17.5%～18.3%。因此，本研究基于體素場圖對DTI的變形矯正及信號丟失的補償取得了顯著的效果。本研究中基于場圖方法對高場DTI圖像進行的相位反卷積變形矯正及信號補償是一種獨立的圖像后處理技術，適用于西門子、GE和飛利浦MRI機型的腦數據前處理。

本研究還存在以下兩點不足：(1)大幅度頭動造成的明顯位移沒有得到較好矯正；(2)圖像數據的校準需從主機導出并應用第三方軟件逐步計算，步驟較復雜，有待新序列的進一步研發。總之，本研究表明基于場圖方法對DTI圖像的變形矯正，使空間變形得到顯著的改善，磁敏感區域信號的丟失得到補償。

圖1 腦區信噪比測量選擇示意圖。藍色圓形為雙側額葉和顳葉選擇感興趣區域(A、B)和紅色圓形為對照丘腦區域(A) 圖2 A：糾正前FA圖(閾值＞0.2)，為mask與3D結構像融合圖(dof=12)。白質區域的對齊出現錯位。B：糾正后FA圖(閾值＞0.2)，為mask與3D結構像融合圖。白質區域對位整齊。C：將圖A分別用線條勾畫出來顯示。黃色線勾畫的是3D結構像灰、白質交界，紅色線勾畫的是FA圖的腦白質邊界。D：將圖B分別用線條勾畫出來顯示。黃色線勾畫的是3D結構像灰、白質交界，紅色線勾畫的是FA圖的腦白質邊界Fig. 1 Sketch map of brain regions selected for signal to noise ratio measure. Blue circles located in the bilateral frontal and temporal lobes (A, B), while red circles located in the bilateral thalamus (A). Fig. 2 A: FA map before rectification (threshold ＞0.2), It is a fusion map of mask with 3D image (dof=12). It shows white matter matched error. B: FA map after rectification (threshold ＞0.2), It is a fusion map of mask with 3D image (dof=12). It shows white matter matched well. C: The outline of FA map showing match error in (A). Yellow line shows the border of gray matter and white matter in 3D structural image and red line shows the border of white matter in FA map. D:The outline of FA map showing match well in (B). Yellow line shows the border of gray matter and white matter in 3D structural image and red line shows the border of white matter in FA map.

[References]

[1] Shahar T, Rozovski U, Marko NF, et al. Preoperative imaging to predict intraoperative changes in tumor-to-corticospinal tract distance: an analysis of 45 cases using high-field intraoperative magnetic resonance imaging. Neurosurgery, 2014, 75(1): 23-30.

[2] Kockro RA, Reisch R, Serra L, et al. Image-guided neurosurgery with 3-dimensional multimodal imaging data on a stereoscopic monitor. Neurosurgery, 2013, 72(Suppl 1): 78-88.

[3] Yin JZ. Common artifacts in 3.0 T high-field MRI systems: principle,appearance and remedy. Chin J Magn Reson Imaging, 2010, 1(4):291-294.尹建忠. 3.0 T高場磁共振設備的常見偽影: 原理、表現與對策. 磁共振成像, 2010, 1(4): 291-294.

[4] Irfanoglu MO, Walker L, Sarlls J, et al. Effects of image distortions originating from susceptibility variations and concomitant fields on diffusion MRI tractography results. Neuroimage, 2012, 61(1):275-288.

[5] Robson MD, Gore JC, Constable RT. Measurement of the point spread function in MRI using constant time imaging. Magn Reson Med, 1997, 38(5): 733-740.

[6] Jezzard P, Balaban RS. Correction for geometric distortion in echo planar images from B0 field variations. Magn Reson Med, 1995,34(1): 65-73.

[7] Hutton C, Bork A, Josephs O, et al. Image distortion correction in fMRI: A quantitative evaluation. Neuroimage, 2002, 16(1): 217-240.

[8] Rorden C, Bonilha L, Fridriksson J, et al. Age-specific CT and MRI templates for spatial normalization. Neuroimage, 2012, 61(4):957-965.

[9] Huang Q, Zhang R, Hu X, et al. Disturbed small-world networks and neurocognitive function in frontal lobe low-grade glioma patients.PloS One, 2014, 9(4): 94095.

[10] Huang YT, He CM. Evaluation methodology of MRI SNR. Chin J Magn Reson Imaging, 2012, 3(2): 149-152.黃艷圖, 何超明. 磁共振成像信噪比的評價方法. 磁共振成像,2012, 3(2): 149-152.

[11] Jones DK, Leemans A. Diffusion tensor imaging. Methods Mol Biol,2011, 711(711): 127.

[12] Han T, Cui SM, Tong XG, et al. Three-dimensional visualization of functional brain tissue and functional magnetic resonance imagingintegrated neuronavigation in the resection of brain tumor adjacent to motor cortex. Int J Med Radiol, 2011, 34(3): 205-210.韓彤, 崔世民, 佟小光, 等. 大腦功能組織可視化及fMRI術中導航在腦腫瘤切除術中的應用. 國際醫學放射學雜志, 2011, 34(3): 205-210.

[13] Gupta A, Escolar M, Dietrich C, et al. 3D Tensor normalization for improved accuracy in DTI tensor registration methods//biomedical image registration. Berlin: Springer Berlin Heidelberg, 2012:170-179.

[14] Wang HY, Zhao B, Yu FH, et al. The principle of diffusion tensor imaging techniques and comparison. J Med Imaging, 2006, 16(4):402-404.王海燕, 趙斌, 于富華, 等. DTI常用掃描序列原理及比較. 醫學影像學雜志, 2006, 16(4): 402-404.

[15] Wang Y, Xie K, Zhou YJ, et al. Graph cut based algorithm for corpus callosum segmentation from diffusion tensor images. J Beijing Polytechnic University, 2014, 40(3): 473-480.王毅, 謝琨, 周艷娟, 等. 基于圖割的擴散張量磁共振圖像胼胝體分割算法. 北京工業大學學報, 2014, 40(3): 473-480.

[16] He XX. Imaging study of focal cortical dysplasia based on magnetic resonance imaging. Hefei: University of Science and Technology of China, 2016.何曉璇. 基于磁共振結構像的局灶性皮質發育不良的影像學研究.合肥: 中國科學技術大學, 2016.