基于磁共振Dixon圖像深度學習進行模擬CT骨重建的研究

劉克明，曲源，趙洪飛，黃瓊，毋曉萌，尚斐

磁共振成像(magnetic resonance imaging，MRI)可以很好地顯示軟組織，對骨皮質等鈣化組織無法直接顯像，骨性結構的顯示仍舊依賴于X線和CT。MR骨顯像是發現病變累及骨結構的有益補充[1]；利用骨結構信息進行圖像信號衰減校正，能改善PET/MR圖像重建的精確性[2-3]；MR骨重建圖像可以優化放療劑量規劃[4]。目前，已有專門的MR序列用于骨結構顯像，但其技術特殊性使得臨床應用并不廣泛[5]?；诰矸e神經網絡(convolution neural network，CNN)的深度學習方法已被廣泛應用于圖像的組織分割、病灶識別[6-9]，而基于MR水脂分離(Dixon)圖像的深度學習方法應用于骨重建同樣可行[10]。本研究是利用Dixon圖像，采用不同圖像類型組合的深度學習方法進行顱骨重建，通過比較顱骨重建結果，對不同的骨重建效果進行評估。

圖1 U-net結構網絡框架模型訓練技術路線，使用單種圖像和圖像組合進行顱骨重建，共完成11種方法。

材料與方法

1.一般資料

2021年6月-8月共21名健康志愿者，男12例，女9例，年齡35.5±10.28歲。納入標準：①無先天顱骨畸形或外傷病史；②無顱內腫瘤或腦積水。任何有累及顱骨的疾病的患者均被排除。本研究經醫院倫理委員會批準，簽署知情同意書。

2.檢查方法

頭顱CT使用Siemens掃描儀(Siemens Force,Germany)，仰臥位頭先進，掃描范圍從顱頂到下頜骨。視野250 mm×250 mm，層厚5 mm，管電壓125 kV，管電流300 mA，骨重建圖像分辨率為512×512。MR使用3.0T掃描儀(Philips Ingenia,Netherlands)，18通道頭線圈，行三維快速梯度回波水脂分離(3D FFE mDixon)成像。視野240 mm×240 mm，體素1 mm×1 mm，層厚5 mm，TR 4.2 ms，TE 1.3 ms、2.6 ms，翻轉角20°，重建水相、脂相、同相位、反相位圖像。

3.圖像處理

將CT和MR圖像標準化成256×256矩陣，剛性配準實現解剖結構對齊。在CT圖像上將大于150 HU和400 HU像素點作為顱骨組織，分別生成二值圖像。

在深度學習網絡模型訓練中，隨機選取16例數據作為訓練集，5例作為測試集。技術路線見圖1，采用U-net結構網絡框架進行訓練時，使用單種圖像和圖像組合進行顱骨重建，完成以下兩種模型：①單一模型：將每例數據的單種圖像，分別作為輸入進行模型訓練，預測概率值大于0.5為頭骨；②集成模型：將每例數據的4種圖像相互組合，預測結果進行或操作，結果為真即為顱骨。

深度卷積神經網絡基于2D U-net架構，共5層，每層包含卷積、池化、激活操作，卷積核大小為3×3，步長1，采用2×2最大池化，激活函數為修正線性單元(ReLU，Rectified Linear Unit)。優化器采用自適應矩估計(Adam,Adaptive Moment Estimation)，代價函數為交叉熵，訓練初始學習率設置為0.001，每經過100個Epoch衰減為原先的1/10，Batch size為40，Epoch為500次。訓練過程中，采用旋轉([-30, 30])、鏡像和尺度變化([0.9,1.1])進行數據擴增。使用TensorFlow(http://www.tensorflow.org)搭建模型，操作系統為64位Ubuntu 20.04，語言平臺為Python 3.8。運算工作站配置CPU為Inter Core i9，內存64.0 GB，獨立顯卡NVIDIA RTX 3090，顯存24G。

4.統計學分析

采用戴斯相似性系數(dice similarity coefficient，DSC)、準確度(accuracy，ACC)、敏感度(sensitivity，SENS)和特異度(specificity，SPEC)等指標對骨重建效果進行評估，TP(true positive)為真陽性區域，TN(true negative)為真陰性區域，FP(false positive)為假陽性區域，FN(false negative)為假陰性區域，公式如下：

圖2 男，36歲。閾值為150HU和400HU條件下CT和MR顱骨三維表面重建。a、c、e)為150HU閾值 CT顱骨、水相和同相位、水相脂相反相位圖像重建顱骨; b、d、f)為400HU閾值CT顱骨、水相和同相位、水相脂相反相位圖像重建顱骨。在閾值為150HU時，顱骨結構更加完整、顱骨表面更加平滑、飽滿，閾值為400HU時，MR重建面顱結構有部分缺失(箭頭)。

表1 5例測試集不同Dixon圖像類型組合顱骨重建方法的統計結果

(1)

(2)

(3)

(4)

結 果

采用Dixon圖像進行顱骨預測時，以CT值400 HU為閾值，水相圖像顱骨重建的DSC值要優于其他單種圖像(0.753 ± 0.033)，準確性最高(0.962±0.006)，水相和同相位圖像組合預測顱骨的DSC值最優(0.760± 0.038)；以CT值150 HU為顱骨閾值，單一同相位重建準確性最高(0.956±0.008)，水相和反相位圖像組合顱骨重建DSC值最優(0.795±0.040)。CT值取不同閾值時，四種圖像組合預測的敏感度最高，反相位圖像進行預測時特異度最高。與400 HU閾值相比，150 HU的重建結果敏感度(0.855±0.052 vs. 0.880±0.050)最高，特異度有所下降(0.982±0.004 vs. 0.977±0.004)，見表1。

5例測試集顱骨二值圖像均可進行三維表面重建(Medixant, RadiAnt DICOM Viewer 2021.1)，其中1例水相和同相位、水相脂相同相位圖像組合三維重建顱骨與CT三維圖像的結果對照見圖2。

討 論

利用深度學習卷積神經網絡技術將MR圖像進行骨重建，對判斷病變累及骨骼、PET/MR圖像衰減系數校正以及放療計劃電子密度位圖生成、減少X線輻射、避免受試者轉運導致的配準偏差，都有重要的臨床價值。

目前已有多項研究利用磁共振T1加權圖像[11]、Dixon[12]、超短TE(UTE)或零TE(ZTE)圖像[13]等進行CT圖像骨重建、偽CT圖像重建。在涉及到的多種重建方法中，深度學習方法顯示了其優越性[11-14]。Han等[11]采用U-Net網絡基于T1加權圖像進行重建，通過遷移學習和深層網絡結構提高重建效果。Gong等[10]采用GroupU-Net架構結合Dixon和ZTE圖像進行骨重建，相比于單一的Dixon序列重建效果有所提升(DSC：0.80±0.04 vs. 0.76±0.04)。本研究采用經典的U-Net模型進行訓練，通過Dixon多對比圖像的組合優化，實現了與Dixon和ZTE結合相當的重建效果(DSC：0.795±0.04 vs. 0.80±0.04)。同時，本文采用2D訓練策略和數據增強進一步擴增訓練數據量，該方法在小樣本任務的重建測試中顯示出較好的魯棒性。

Dixon四種對比圖像可實現脂肪、腦組織、肌肉等成份的區分，但在骨重建時，不同對比圖像的選擇可能導致信息的冗余或缺失。本文對比了Dixon單種圖像和多種圖像組合共11種方式的重建效果。結果顯示，閾值為400 HU時水相和同相位的組合DSC值最優，在閾值為150 HU時，水相和反相位的組合DSC值最優。在不增加臨床掃描序列的前提下，通過Dixon圖像自身的優化可以實現顱骨重建效果的提升。由于顱骨尤其是顱底結構的復雜性，手工勾畫骨結構的方法并不可行，因此本研究采用通行的閾值分割法生成顱骨結構的金標準，考慮到密質骨、松質骨在CT值上的差異，采用了兩個閾值進行顱骨重建。在閾值為150 HU時，重建顱骨具有更高的DSC值和敏感性，在閾值為400 HU時，重建的準確性和特異性更高。

本研究驗證了通過Dixon四種圖像及其圖像組合重建二值法骨圖像的可行性，但仍有一些不足：①利用Dixon圖像只進行了二值骨重建，不同CT閾值對骨組織標識可能帶來偏差，但本研究為選擇最優圖像類型進行骨重建提供了依據；②未能引入最新的UTE或ZTE圖像進行骨組織重建，本研究選擇最常用的Dixon圖像，在臨床中更有實用性；③本試驗病例數相對較少，深度學習卷積神經網絡參數調節可能帶來部分參數誤差，今后要繼續收集大樣本數據，以期待更有效穩定的研究結果。

本研究利用磁共振Dixon水脂分離多對比圖像，采用深度學習卷積神經網絡的方法進行顱骨二值圖像重建，通過比較不同閾值顱骨重建結果，在400 HU為閾值時水相和同相位圖像結合進行顱骨重建的效果最優，在150 HU為閾值時水相和反相位圖像結合進行顱骨重建的效果最優，隨著閾值下降，顱骨重建的敏感性增加，但特異性下降。