人工智能輔助壓縮感知技術用于腰椎MRI

黃 超,胡軍武,李 麗,方紀成

(華中科技大學同濟醫學院附屬同濟醫院放射科,湖北 武漢 430030)

腰椎疾病種類復雜,通常采用X線及CT等進行診斷,但均具有電離輻射,且顯示周圍軟組織及脊髓等欠佳。MRI可多參數成像,顯示脊柱、脊髓及周圍軟組織對比度佳,可為診斷腰椎疾病提供影像學依據;但掃描時間較長,而腰椎疾病患者常難以長時間保持靜臥狀態,易產生運動偽影。傳統MRI加速技術主要包括半傅里葉變換、并行采集技術及壓縮感知(compressed sensing, CS)技術等[1]。利用光梭成像技術可將上述三者相結合,大幅度縮短MR成像時間;人工智能(artificial intelligence, AI)輔助CS(AI-assisted CS, ACS)技術可進一步將光梭成像與AI相結合,使CS技術能夠用于2D成像。本研究觀察ACS技術用于腰椎MR檢查的價值。

1 資料與方法

1.1 研究對象 前瞻性納入2021年12月—2023年4月80例華中科技大學同濟醫學院附屬同濟醫院擬接受腰椎MR檢查患者,男39例、女41例,年齡21～76歲、平均(49.4±13.6)歲;隨機將其分為ACS組和對照組,每組各40例。ACS組男19例、女21例,年齡23～76歲、平均(50.9±13.6)歲;對照組男20例、女20例,年齡21～75歲、平均(47.8±13.6)歲。排除標準:①無法較好地配合完成檢查;②圖像質量不佳,影響臨床診斷。本研究經院倫理委員會批準(批準號:TJ-IRB20160923),檢查前患者均簽署知情同意書。

1.2 儀器與方法 采用聯影3.0T uMR790 MR儀,床板脊柱線圈。囑患者仰臥、頭先進,佩戴隔音耳機;分別以ACS技術(ACS組)或常規方法(對照組)采集脊柱矢狀位(sagittal section, Sag)快速自旋回波(fast spin echo, FSE)T2WI、脊柱Sag FSE T1WI、脊柱Sag FSE脂肪抑制(fat suppression, FS)T2WI、椎間盤軸位(transverse section, Tra)FSE T2WI、椎間盤Tra質子密度加權成像(proton density weighted imaging, PDWI)及脊柱Tra FSE FS T2WI;具體參數見表1、2。

表1 ACS組腰椎MR掃描參數

表2 對照組腰椎MR掃描參數

1.3 圖像分析 于聯影后處理工作站進行圖像分析。選取矢狀位Sag圖像及軸位Tra FSE FS T2WI最中間層面于L3椎體勾畫ROI,于Tra PDWI及Tra FSE T2WI中的L3-4勾畫ROI,使2組ROI大小、位置保持對應一致;測量并比較2組ROI及其相同層面腦脊液信號強度(signal intensity, SI)、背景噪聲(standard deviation, SD),以及信噪比(signal-to-noise, SNR)及對比度噪聲比(contrast-to-noise, CNR)[2]。

由1名具有7年MRI工作經驗的主管技師和1名具有10年MRI診斷經驗的副主任醫師采用李克特量表(Likert scale)以雙盲法評價圖像質量:1分,圖像偽影明顯,脊柱、脊髓及椎間盤顯示不清,無法用于診斷;2分,偽影較明顯,脊柱、脊髓及椎間盤顯示較差,診斷價值較低;3分,偽影較小,脊柱、脊髓及椎間盤顯示較清晰,滿足診斷要求;4分,偽影小,脊柱、脊髓及椎間盤顯示清晰,存在噪聲信號,診斷價值較高;5分,基本無偽影,脊柱、脊髓及椎間盤顯示清晰,噪聲信號少,診斷價值高。≥3分為MRI滿足診斷需求。

1.4 統計學分析 采用SPSS 21.0統計分析軟件。以中位數(上下四分位數)表示不符合正態分布的計量資料,以Mann-WhitneyU檢驗進行組間比較。采用Kappa檢驗評估觀察者間圖像質量評分的一致性:Kappa值>0.75為一致性好,0.40～0.75為一致性較好,<0.40為一致性差。P<0.05為差異有統計學意義。

2 結果

ACS組及對照組掃描時間分別為487 s及232 s,見表1、2。ACS組Sag FSE FS T2WI、Tra FSE T2WI及Tra FSE FS T2WI的SNR均高于對照組(P均<0.05),組間其余序列圖像SNR差異及所有序列圖像CNR差異均無統計學意義(P均>0.05);見圖1、2及表3、4。

圖1 ACS組患者,男,55歲,L5-S1椎間盤突出 A.脊柱Sag FSE FS T2WI示L5-S1椎間盤突出(箭); B、C.椎間盤Tra FSE PDWI(B)及Tra FSE T2WI(C)示L5-S1椎間盤突出(箭)并壓迫脊髓 圖2 對照組患者,女,48歲,L2椎體血管瘤 A.脊柱Sag FSE FS T2WI示L2椎體血管瘤(箭); B.脊柱Tra FSE FS T2WI示L2腰椎退行性病變(箭); C.脊柱Tra FSE FS T2WI示L2椎體血管瘤(箭)

表3 ACS組與對照組圖像SNR比較

表4 ACS組與對照組圖像CNR比較

觀察者間MRI質量評價結果的一致性好(Kappa均>0.75)。取醫師評分結果進行分析,結果顯示ACS組與對照組圖像質量評分差異均無統計學意義(P均>0.05),見表5。

表5 醫師對于ACS組與對照組MRI的質量評分(分)

3 討論

腰椎疾病如退行性病變、腫瘤及脊髓損傷等臨床表現多樣,病變與脊柱、脊髓及肌肉等的關系復雜,需要適當選擇影像學檢查方法以進行診斷。MRI可多參數成像,為腰椎疾病、尤其腰椎退行性病變[3]的重要影像學檢查方法,但較為耗時,且易產生運動偽影。本研究基于ACS采集腰椎MRI,發現利用ACS技術可大幅度縮短MR成像時間,與既往研究[4-5]結果相符。

本研究采用多個MR序列,對2組以相同FOV、矩陣、層厚及層間距進行掃描;結果顯示,ACS組Sag FSE FS T2WI、Tra FSE T2WI及Tra FSE FS T2WI的SNR均高于對照組,其余序列圖像組間SNR差異及所有序列圖像組間CNR差異均無統計學意義,與既往CS研究[4,6-9]結果基本相符。分析原因,利用光梭成像技術可通過優化重建算法和k空間設計方式保證圖像質量,FS可降低圖像脂肪信號而使SNR減小,而深度學習算法對腰椎MRI具有良好的降噪效果[10],AI則能進一步減少圖像偽影和噪聲信號更少[11],使得圖像SNR得以提高。

基于卷積神經網絡(convolutional neural network, CNN)的AI技術用于醫學影像后處理,對于抑制圖像噪聲及檢測病灶等具有重要意義[12]。基于CNN的AI模塊,ACS技術在k空間欠采樣基礎上對不同加速因子數據進行分析,以全采樣數據進行訓練,進而實現快速高效成像[13-14];利用光梭成像技術可檢出常規MRI遺漏的微小病灶[15]。ACS技術在保留光梭成像技術優勢的前提下結合AI算法,以保證病灶檢出率。另一方面,ACS提高影像時間分辨率的基礎在于較高的硬件和軟件條件,若硬件和/或軟件后處理算法存在不足,反而將延長后臺數據處理時間,故應進一步優化算法,以獲得更高的加速倍數。

綜上所述,ACS技術用于腰椎MR檢查可在保證圖像質量的前提下縮短掃描時間,值得臨床推廣。但本研究未對腰椎疾病不同類型進行分類觀察,亦未考慮不同加速倍數對圖像質量的影響,有待后續加以完善。