MRI系統質量控制檢測的SNR及均勻度的自動測量研究

陳佳敏，梁永剛，葉培筠，陳楚潔，付麗媛

1.福建中醫藥大學福總教學醫院 放射診斷科，福建 福州 350025；2.聯勤保障部隊第九〇〇醫院 放射診斷科，福建 福州 350025

引言

磁共振成像（Magnetic Resonance Imaging，MRI）系統是醫院大型醫學影像設備的重要組成部分，在診療中發揮著不可替代的作用，其不但能夠提供形態學結構信息，又可提供生物化學及代謝信息，為疾病的精準診療提供了重要的影像學信息。精準、可靠、科學的疾病診療離不開高質量的影像圖像，為了得到優質的圖像，并確保MRI設備始終保持最佳的工作狀態，這就對醫療機構在設備質控方面提出了更高的要求，MRI設備質量控制檢測就是實現這一目標的重要手段[1-2]。根據美國放射學院（American College of Radiology，ACR）及國內衛生行業標準、醫藥行業標準及中華人民共和國地方計量技術規范[3-9]，MRI質量控制檢測項目主要包括信噪比（Signal to Noise Ratio，SNR）、圖像均勻度、空間分辨率、低對比度分辨率等重要參數。進行MRI質量控制檢測時，首先進行體模的掃描，掃描完畢后在掃描得到的圖像上進行各項參數的測算。值得注意的是，用體模進行質量控制檢測時，真正費時的不是體模掃描本身而是參數測算，目前多采用手工測算的方法，該方法計算過程繁瑣且所需時間較長。在這種情況下如果能采用軟件實現參數的自動化測量，將會最大程度地提高效率。國內學者Panych等[10]、官能成等[11]也提出了采用智能測算的想法，并且做了一些初探工作。本研究在借鑒國內外研究經驗的基礎上，選擇MRI質控檢測中SNR及圖像均勻度兩個重要的參數，基于Matlab R2013b平臺設計了自動檢測算法，從而實現SNR及圖像均勻度的自動測算。

1 材料與方法

1.1 檢測體模與受檢設備

采用MRI質控檢測專用ACR體模，該體模由美國放射學院設計制造，體模直徑190 mm，高度148 mm，內部填充氯化鎳和氯化鈉溶液。受檢設備為 Siemens Trio 3.0 T MRI，8通道相控陣頭線圈。

1.2 體模掃描方法與掃描參數

將ACR體模穩定地放入頭線圈內，用水平儀調整體模位置，確保其在X軸、Z軸方向水平，將激光定位燈對準體模中部的定位標記后將其送入磁體中心位置。待體模靜置5 min后開始掃描。先進行三平面定位像的掃描，在矢狀位定位像上確定軸位掃描的層面和位置，從體模最下端45°楔形邊相交的頂點開始，到最上端45°楔形邊相交的頂點結束，共掃描11層。掃描參數：采用SE-T1WI序列，TR 500 ms，TE 30 ms，FOV 25 cm×25 cm，矩 陣256×256，層厚 5 mm，層間距 5 mm，接收帶寬 20.48 kHz或156 Hz/pixel，激勵采集次數為1次。

1.3 SNR測算方法

圖像SNR指圖像中信號強度與噪聲強度的比值。在體模軸位圖像第7層，用圓形感興趣區（Region of Interest，ROI）勾畫圖像中央覆蓋75%的信號區域，以該區域的信號平均值作為信號強度，在體模周圍背景區域避開偽影選取一個盡可能大的ROI，以該區域的信號強度的標準偏差作為噪聲σair，圖像SNR的計算公式如式（1）[12]所示。

1.4 圖像均勻度測算方法

圖像均勻度反映了MRI對體模內同一物質區域的再現能力，在體模軸位圖像第7層，在中心區域勾畫包含80%體模面積的ROI，得到信號強度的最大值Smax與最小值Smin，圖像均勻度的計算公式如式（2）[13]所示。

1.5 自動測量軟件設計

1.5.1 圖像SNR

根據圖像SNR測量方法，需要獲得圖像中央信號區域的像素均值以及周圍背景區域噪聲標準偏差。為達到以上目的需要取出信號區域以及周圍噪聲區域。具體軟件實現框圖如圖1所示。

圖1 SNR軟件實現框圖

首先將第7層圖像沿圖中所畫直線的強度變化繪制成強度變化曲線，見圖2。

圖2 第7層圖像所畫直線強度變化曲線

由圖2b可知其中心水平線信號強度變化曲線，中央體模區域信號強度遠遠高于周圍背景區域，可直接利用自動獲取閾值的方法進行圖像二值化，進而得到圖3所示圖像。獲得中心體模信號區域后再進行輪廓“腐蝕”得到圖4所示圖像。獲取中間區域之后和原圖相“與”即可得到信號圖，可用于計算圖像信號均值；將信號區域經過膨脹處理后取反再與原圖“與”即可得到噪聲圖像（圖5）。

圖3 第7層圖像二值化

圖4 信號“腐蝕”后區域

圖5 背景區域噪聲圖

通過以上過程即可獲得兩個關鍵參數（信號均值以及噪聲標準偏差），代入公式（1）即可得到圖像SNR。

1.5.2 圖像均勻度

根據圖像均勻度的測量要求及計算公式可設計程序測量步驟如圖6所示。

圖6 圖像均勻度實現框圖

可直接利用自動獲取閾值的方法進行第7層圖像二值化，獲得中心體模信號區域后再進行輪廓“腐蝕”，獲取中間區域之后和原圖相“與”即可得到信號圖，得到信號最大值Smax與最小值Smin，代入公式（2）即可得到圖像均勻度。

1.6 統計學分析

采用Excel及SPSS 21.0統計學軟件對數據進行整理和統計學分析，采用t檢驗對手工測算和自動測算所得的SNR和圖像均勻度數據分別進行統計學分析，以P＜0.05為差異有統計學意義。采用Bland-Altman統計學方法進行手工測算和自動測算所得數據的一致性分析，橫軸為兩種方法測量結果的均值，縱軸為兩種方法測量結果的差值，如果所有測得的數據均位于差值的95%區間即差值的1.96的標準差范圍內，說明具有非常好的一致性[14]。

2 結果

采用手工測算和自動測算方法對MRI設備的5次質控檢測的SNR和圖像均勻度進行測算，結果如表1所示。采用t檢驗對手工測算和自動測算所得SNR數據進行統計學分析，兩種測算方法所得的結果差異無統計學意義（t=-0.416，P=0.689）。從圖7的Bland-Altman圖可見，兩種方法測得的SNR數據點均位于一致性界限的范圍內（-53.1，40.5），說明兩種方法有較好的一致性。采用t檢驗對手工測算和自動測算所得均勻度數據進行統計學分析，兩種測算方法所得的結果差異無統計學意義（t=-0.782，P=0.474）。從圖8的Bland-Altman圖可見，兩種方法測得的圖像均勻度數據點均位于一致性界限的范圍內（-4.7%，3.0%），說明兩種方法的一致性較好。

圖7 采用手工測算和自動測算圖像SNR方法Bland-Altman圖

圖8 采用手工測算和自動測算圖像均勻度方法Bland-Altman圖

表1 采用手工測算和自動測算方法得到的SNR和圖像均勻度測算結果

3 討論

在實際工作中，所有用于影像診斷的圖像都應當具有一致性且確保其為高質量圖像，為此，國內外均提出并不斷完善相應的質量控制標準。雖然目前國內外標準中建議以每年1次的頻率對SNR、圖像均勻度進行檢測，但Jiang等[15]研究表明，SNR在2個月內的漂移程度最高可達2個標準差，因此，定期的計量參數檢測對維持MRI性能穩定具有重要意義。定期的質控檢測能保證為臨床持續提供優質的圖像，提高診斷可靠性；同時通過將質控檢測列入常態化工作，能盡可能地減少設備故障率，延長設備使用壽命，保證科室正常運作，不受停機維修的影響。

SNR與圖像均勻度是MRI質控檢測的重要參數，均與MRI圖像的質量高低密切相關，也是日常必須定期檢測的重要參數之一。目前，SNR與圖像均勻度的測算多采用手工測算，不但過程繁瑣耗時，而且測算結果容易受到檢測者主觀因素影響，若測算人員發生更替，其連續性意義也將受到影響。同時，觀察者內和觀察者間的差異也不可避免地會影響質量評估結果的重復性。自動化的參數測算可以從一定程度上解決上述困擾。因此，本文基于Matlab平臺，設計自動檢測算法，實現對MRI質量控制SNR和圖像均勻度參數的自動評價和分析，使MRI質量控制檢測工作更智能高效。

在SNR的測算中，信號與噪聲的測量一直以來都是一個復雜的課題。其中，由于噪聲項處于計算公式的分母位置，因此所測量到的微小的噪聲差異，會很大程度地影響最終的SNR值，因此在算法設計中提高對噪聲的測量精度尤為關鍵。目前國際使用較廣泛的標準包括ACR[3]的單一圖像采集法SNRACR=S/σair、美國電氣制造業協會（National Electrical Manufacturers Association，NEMA）標準[16]的兩幅圖像法，國內標準[4]中SNR的測算方法為 ：SNR國內=（Smean-Sair）/σair。許文輝等[17]對 3 種方法的測量結果進行對比研究發現，所測得的SNR值從大到小分別為：SNRNEMA、SNRACR、SNR國內。這是因為SNRNEMA側重評估本底噪聲，在兩幅圖像相減時，消除了系統的結構噪聲；而SNRACR選取多個背景ROI計算噪聲的標準差，將結構噪聲納入考慮；需要注意的是，SNRNEMA及SNRACR在定義噪聲值時，都忽略了隨機熱噪聲的影響；而SNR國內同時引入隨機熱噪聲及結構噪聲雙重因素，可能會對噪聲值產生過估計，最終使得SNR值降低。同時，與SNR國內相比，SNRNEMA及SNRACR在測量結果的精確性及重復性方面，具有明顯優勢，二者不存在明顯統計學差異，可以相互替代，但由于SNRACR僅需要獲取一次圖像，操作簡便、易于執行，因此從實用性角度上更具優勢。

圖像均勻度是測量MRI系統在相同的強度下描繪體模均勻區域的能力，不均勻通常與主磁場或射頻磁場不均勻、渦流補償不足、梯度脈沖校準欠佳以及穿透效應等因素有關，如果圖像均勻度指標達不到檢定標準時，應逐一排除各項因素，以查找圖像均勻度下降的原因[18]。

通過對上述問題的綜合考量[19-20]，本研究使用ACR體模進行掃描，Matlab圖像處理功能對SNR及圖像均勻度進行自動化評估。研究結果顯示，對SNR及圖像均勻度的自動化評估結果與人工測算結果具有良好的一致性。

需要注意的是，在對體模進行掃描過程中，體模的準確定位十分重要，否則將可能出現偽影或產生錯誤的圖像識別，影響后續測量結果。在圖像評估單元，對圖像進行合理的二值化閾值選取也十分關鍵，本研究所采用的是自動獲取閾值的方式進行圖像二值化。

本研究的局限性主要體現在兩方面：① 在體模擺放及最終掃描時，無法避免人為因素所造成的標準掃描層面與實際掃描層面的偏倚，而這種差異將擴大測量結果變異系數范圍[21]；② 所使用的算法程序對Matlab平臺依賴性強，它要求用戶必須安裝該軟件，然而該軟件占用內存大，在普通設備上進行安裝使用往往影響設備的運行速度，因此限制了它的推廣。但總體而言，基于Matlab平臺的自動化評估算法易于實現，應用本研究所使用的設計算法不僅大大減少了參數評估時所需的時間，且所得到的自動化評估結果與人工測算具有較高的一致性，對于質量管理常態化工作的實現具有促進作用。