壓縮感知技術在頭MRA的初步應用探索

張曉東， 朱麗娜， 馬帥， 劉義， 劉水， 劉婧， 王霄英

表1 4組MRA圖像的表觀SNR及CNR

在MR檢查中使用壓縮感知(compressed sensing，CS)技術，可在K空間欠采樣的情況下，利用信號處理的優化算法，得到MR圖像[1]。由于可以縮短MR信號的采集時間，CS成為MR技術領域重要的研究方向之一[2]。研究者在各個領域開展了實驗和臨床研究的探索[3]，結果不盡相同，共同的觀點是[4]：在開展CS的臨床應用之前，必須在不同的臨床場景下進行測試，以驗證其可行性及診效效能[5-7]。目前國內關于CS臨床研究的結果尚少，本研究對CS技術在頭MRA中的應用進行了初步探索。

材料與方法

1.病例資料

回顧性搜集2017年6月-2017年7月在本院接受檢查的15例患者，均因臨床診斷需要而行頭MRA檢查。男8例，女7例，平均年齡56歲。

2.MRA圖像采集

在Philips Achieva TX 3.0T MR掃描儀上行頭MRA掃描，采用32通道頭線圈。掃描方案包括：常規3D TOF MRA序列(regular MRA，R-MRA)和CS-MRA序列。

R-MRA序列的掃描參數：TR 25 ms，TE 3.5 ms，翻轉角200°，視野200 mm×200 mm×120 mm ，矩陣444×254×171，空間分辨率0.45 mm×0.78 mm×0.7 mm，帶寬217.2 Hz/pixel，171層，掃描時間5 min 49 s。

CS-MRA序列的掃描參數與R-MRA完全相同，掃描位置、范圍也完全相同，掃描時間2 min 54 s。

R-MRA按標準預設方法重建出一組圖像。CS-MRA按3種不同降噪水平(denoising level，DS)重建：5%、10%、20%，得到CS-DS5、CS-DS10、CS-DS20共三組圖像。最終每位患者共得到4組圖像進行閱片分析。

3.圖像評價

客觀評價:選取大腦中動脈M1段顯示最佳的層面，測量M1段的表觀信噪比(signal-to-noise ratio，SNR)和對比噪聲比(contrast-to-noise ratio,CNR)。具體方法：測量興趣區(regions of interest，ROI)的信號強度均值SI血管，同層面腦白質區信號強度均值SI腦白質及周圍空氣平均信號強度SD噪聲。計算公式如下：SNR=SI血管/SD噪聲；CNR=(SI血管-SI腦白質)/SD噪聲。

主觀評價:圖像質量評分：由2名放射科醫師獨立盲法閱片。采用3級評分標準分別對圖像質量進行評價，標準如下：1分，嚴重的圖像變形偽影、SNR低，圖像質量差，不能用于臨床評估；2分，圖像變形偽影較輕，SNR可，血管邊緣可識別，圖像質量中等，可用于臨床評估；3分，無明顯圖像變形偽影，SNR高，血管邊緣清晰銳利，圖像質量優，可用于臨床評估。

圖像質量優選：由2名閱片者分別從4種MRA圖像中選取最佳序列圖像，并記錄：傾向常規R-MRA；傾向CS-DS5；傾向CS-DS10；傾向CS-DS20。

4 統計方法

結 果

1.客觀評價結果

4組MRA圖像(圖1)的表觀SNR及CNR測量結果見表1。4組圖像的表觀SNR值差異有統計學意義(P<0.05)，進一步組間兩兩比較，除CS-DS5組和CS-DS20組間的SNR值差異有統計學意義(P=0.005)，其余各組間的SNR值差異均無統計學意義。4組圖像間的CNR值差異無統計學意義(P>0.05)。

2.主觀評價結果

2位閱片者間對圖像質量主觀評估具有較好的一致性(k=0.97)。Wilcoxon秩和檢驗的統計結果顯示：CS各組與R-MRA組圖像質量評分差異無統計學意義(∣Z∣= 0～1，P>0.3)。第一位閱片者認為CS-DS20為最佳序列圖像的比例為73.3%(11/15)，認為R-MRA為最佳序列圖像的比例為26.7%(4/15)；第二位閱片者認為CS-DS20為最佳序列圖像的比例為60.0%(9/15)，認為CS-DS10為最佳序列圖像的比例為6.7%(1/15)，認為R-MRA為最佳序列圖像的比例為33.3%(5/15)。

圖1 同一患者的頭MRA圖像。a) 常規MRA； b) CS-MRA-DS5； c) CS-MRA-DS10； d) CS-MRA-DS20。

討 論

MRI是常用的臨床檢查手段，但因其檢查時間長降低了效價比。CS可通過信號處理過程，利用k空間亞采樣的數據生成MR圖像，與常規方法比較可縮短MRI檢查的時間。CS理論認為，如果能將信號變換到一個變換域中，使其具備稀疏的特性，用一個與其變換基不相干的觀測矩陣對這個信號進行觀測，可以將變換之前的高維信號投影到一個低維空間上，然后通過求解一個優化問題，就可以從這些少量的投影中以高概率重構出原信號[8-9]。在MRI檢查中，實現CS的要求是[1]：①MR圖像的稀疏表達，目標圖像在已知轉換域中具有稀疏表達特性，也就是說圖像具有可壓縮性；②k空間亞采樣引起的混疊偽影在該轉換域中不相干；③非線性重建方法強化重建圖像的稀疏性和數據的一致性。

本研究選擇3D-MRA成像進行CS應用的測試，是綜合考慮上述各種因素而決定的。在3D-MR成像中，其相位編碼(ky)和層選相位編碼(kz)均可以實現亞采樣，即CS采樣矩陣是二維的，比2D成像的采樣矩陣高出一個維度[1]，其轉換域中的信號相關程度更低，很好地滿足了CS原理的前提條件[5-7]。3D TOF MRA為神經系統血管病變的常規檢查方法，針對這個序列的臨床應用探索如果取得有效的結果，受益的臨床檢查數量將會很多。

本研究中CS-MRA與R-MRA序列中設置的TR時間相同，均為25ms，其他采集參數也完全相同。由于TR時間是固定不變的，兩個序列的時間分辨力tRes由相位編碼和層選編碼步數決定。CS加速序列中NP和NS經過CS編碼后減少了編碼步數，因而直接縮短了采樣時間，提高了成像的時間分辨力。在3D-MRA序列全采樣時采集到的k空間點數假設為S0，根據CS優化后的亞采樣軌跡，Si/S0=1/2，實現了2倍加速成像，掃描時間由5min49s減少到了2min54s。

通常情況下，如果對亞采樣數據進行直接傅里葉重建，圖像會出現混疊偽影，這是由于k空間數據填充過程中丟失了部分數據點，重建時發生能量泄漏產生了類似于噪聲的偽影。根據CS原理及重建算法，則能有效恢復出目標圖像[10-12]。在CS重建過程中，可選擇不同權重去除偽影，而產生多組圖像，如DS5、DS10、DS20，其中DS20的圖像噪聲最高。同時應注意到，圖像的診斷效能并非只由噪聲水平決定，而是多種因素共同作用的結果，因此主觀評價的結果對臨床應用的指導意義更大。CS圖像的SNR與傳統SNR的概念不完全相同， 傳統意義的SNR測量不適合用于評估CS的非線性重建圖像。例如，想得到很高的SNR時，可將正則化參數(regularization parameter)設為較大的值，但重建結果可能對臨床是不利的。這樣處理的結果雖然可以得到"干凈"的圖像，但小病灶的細節不能顯示，圖像對比變差。因此在不同臨床場景下，CS的降噪參數如何設定必須由醫生根據實際情況決定，這也是本研究測試的主要內容之一。主觀評價的結果顯示兩位閱片者較多地選擇DS20做為最佳圖像用于診斷，提示未來使用類似本研究中的序列參數進行頭MRA掃描時，可以首選DS20進行CS圖像的重建。

本研究的特點之一是直接使用同一受試者的R-MRA與CS-MRA掃描數據進行比較。由于CS原理是k空間的亞采樣，所以理論上可以使用k空間全采樣的數據，拋棄其中一部分數據后再進行反向傅里葉變換，也可認為是得到了“模擬”CS圖像。在既往CS的研究中多使用這種模擬的方法，而本研究在大量前期測試的基礎上[5-7]，在真實臨床場景下直接使用CS掃描，結果更加可信。在初步驗證了CS-MRA檢查的可行性之后，應進一步研究其診斷效能，理想的方法是進行大規模、多中心臨床試驗以在不同疾病情況下，比較CS-MRA與R-MRA對疾病診斷效能的差異。

雖然對CS臨床應用的初步探索得到較好的結果，但是應注意到CS技術的局限性，在臨床常規應用之前，仍有很多問題需要解決，其中最重要的是各個檢查部位的CS參數選擇和優化，這是CS臨床應用的必要前提條件[13]。CS在不同部位使用時，采樣方式、掃描參數、稀疏變換的選擇和設定等，需要大量測試以達到優化的組合。在真實的臨床場景下，對每個患者的MR掃描都進行大量試錯是不現實的，這是CS臨床應用的最大困難。目前臨床工作中，重建圖像時間較長也是影響其臨床應用的因素之一。可能的解決方案是針對不同的、特定解剖區域的圖像進行CS測試，由于固定區域的MR觀察任務常常是確定的，圖像特征有較強的一致性，所以CS參數可以設置得相近。

在選擇臨床應用場景時，要考慮到各個部位疾病的特點。圖像壓縮后不能影響診斷，這是CS應用的前提條件，而"影響診斷"的圖像因素很多，包括：SNR、CNR、體素大小、特定疾病的影像特征等[14]。即使是圖像性質相同，圖像中的病變不同時，CS的診斷效能也可能不同[15]。從影像特征角度考慮，由于MRA圖像中的觀察目標比較單一，僅為高亮信號的血管，所以CS應用較易獲得推廣[16]。而對于實質臟器的觀察，CS圖像質量的評估則要更復雜[17]。因此CS臨床應用的另一個前提條件是，應針對不同解剖區域，建立一套特定的CS圖像質量評價方法，做到對圖像質量和診斷效能的標準化驗證。只有經過上述驗證后，才能將CS設置到常規臨床掃描方案中。影像專家應在充分了解CS技術對解剖結構和疾病顯示的影響后，才能有信心地應用這項技術。隨著CS理論和算法本身的不斷發展，在臨床應用中的探索應是持續進行的[12]。目前評價CS圖像質量的方法通常是由影像科醫師盲法閱片、主觀定性評價的，未來應建立起一套針對CS的圖像質量評價標準，自動地進行圖像質量的評價，包括對圖像中特定解剖結構和病變的評價等。

總之，CS技術可用于3.0T MR掃描儀行頭MRA檢查，初步探索的結果證明，縮短掃描時間的CS-MRA圖像得到閱片者的認可，可進一步行診斷效能的研究，以推動實現真正的臨床應用。

(志謝：感謝飛利浦公司卓芝政在技術上的支持。)

[1] Lustig M,Donoho D,Pauly JM.Sparse MRI:the application of compressed sensing for rapid MR imaging[J].Magn Reson Med,2007,58(6):1182-1195.

[2] Geethanath S,Reddy R,Konar AS,et al.Compressed sensing MRI:a review[J].Crit Rev Biomed Eng,2013,41(3):183-204.

[3] Compressed Sensing MRI:a review of the clinical literature[J].Br J Radiol,2015,88(1056):20150487.

[4] 王水花,張煜東.壓縮感知磁共振成像技術綜述[J].中國醫學物理學雜志,2015,32(2):158-162.

[5] Chen B,Zhao K,Li B,et al.High temporal resolution dynamic contrast-enhanced MRI using compressed sensing-combined sequence in quantitative renal perfusion measurement[J].Magn Reson Imaging,2015,33(8):962-969.

[6] Li B,Li H,Li J,et al.Relaxation enhanced compressed sensing three-dimensional black-blood vessel wall MR imaging:Preliminary studies[J].Magn Reson Imaging,2015,33(7):932-938.

[7] Li B,Dong L,Chen B,et al.Turbo fast three-dimensional carotid artery black-blood MRI by combining three-dimensional MERGE sequence with compressed sensing[J].Magn Reson Med,2013,70(5):1347-1352.

[8] Candes EJ,Romberg J,Tao T.Robust uncertainty principles:exact signal reconstruction from highly incomplete frequency information[J].IEEE Trans Inf Theory,2006,52(2):489-509.

[9] Donoho DL.Compressed sensing[J].IEEE Trans Inf Theory,2006,52:1289-1306.

[10] 康瑞瑞,曹斌,王斌,等.基于小波與剪切波的壓縮感知縱向MR成像[J].北京交通大學學報,2017,41(3):127-132.

[11] 張紅雨.基于向量稀疏和矩陣低秩的壓縮感知核磁共振圖像重建算法[J].天津理工大學學報,2017,33(1):25-29.

[12] 葛永新,林夢然,洪明堅.聯合局部和全局稀疏表示的磁共振圖像重建方法[J].重慶大學學報,2017,40(1):93-102.

[13] Sharma SD,Fong CL,Tzung BS,et al.Clinical image quality assessment of accelerated magnetic resonance neuroimaging using compressed sensing[J].Invest Radiol,2013,48(8):638-645.

[14] Chan KK,Lou SL,Huang HK.Full-frame transform compression of CT and MR images[J].Radiology,1989,171(3):847-851.

[15] Ozturk-Isik E,Marshall I,Filipiak P,et al.Workshop on reconstruction schemes for magnetic resonance data:summary of findings and recommendations[J].R Soc Open Sci,2017,4(2):160731.

[16] Fushimi Y,Okada T,Kikuchi T,et al.Clinical evaluation of time-of-flight MR angiography with sparse undersampling and iterative reconstruction for cerebral aneurysms[J].NMR Biomed,2017,30(11):3774.

[17] Feng L,Benkert T,Block KT,et al.Compressed sensing for body MRI[J].J Magn Reson Imaging,2017,45(4):966-987.