深度學習重建算法在磁共振顱腦增強中減少釓噴酸葡胺使用劑量的有效性研究

梁丹，張默,2，馬素文，盧潔,2*

0 前言

MRI 具有成像參數多、分辨率高和人體無害等優點，現階段被廣泛應用于腫瘤、腦血管疾病等和運動醫學相關的診斷與篩查[1]。在臨床工作中，受限于血管搏動等問題，MRI 最終生成的圖像不可避免地產生偽影，影響后續的圖像處理和疾病診斷。因此提高圖像的信噪比（signal-to-noise ratio, SNR），縮小偽影面積，減少偽影干擾，提升圖像質量對疾病和診斷過程至關重要[2]。

釓噴酸葡胺（Gd-diethylenetriamine pentametric acid, Gd-DTPA）是一種順磁性對比劑，廣泛應用于顱腦MRI，以輔助完成腦膜瘤、神經鞘瘤、神經膠質瘤等疾病的診斷[3]。然而，Gd-DTPA 注射存在發生藥物不良反應的風險，如在0.1～0.2 mmol/kg注射量下，其發生率可能超過1%[4-5]。其中最常見的藥物不良反應是過敏，嚴重時可造成休克和死亡[6]。除患者自身的機體狀態和免疫功能外，給藥方法、給藥劑量也與過敏反應密切相關[7]。因此，在保證圖像質量的基礎上，降低Gd-DTPA注射量可有效降低藥物不良反應發生率，保障患者安全[8]。然而，藥物劑量與診斷準確性具有一定的相關性。如何有效平衡藥物不良反應發生風險與圖像質量和診斷需求之間的矛盾是放射科研究的重點問題。

深度學習重建（deep learning reconstruction,DL-Recon）技術是基于大數據和卷積神經網絡的MRI 重建技術，可有效提高圖像SNR，減少偽影[9]。DL-Recon 技術是由監督學習方法訓練的深度卷積網絡組成，訓練圖像數據庫涵蓋廣泛的圖像數據，使神經網絡模型在所有解剖結構上具有適用性。訓練數據集包含超過10 000張圖像，經過圖像增強（旋轉和翻轉，等）后產生400萬張圖像及其增強相應的增強圖像，以增加模型的魯棒性。因此，模型的訓練數據并不依賴于用戶實際掃描的圖片。使用ADAM優化器對模型進行優化，使預測圖像和真實圖像之間的損失達到最小。此外，DL-Recon是基于殘差編碼器對圖像進行降噪，可使圖像更加自然，可觀性更強[9]。由于其對圖像處理的優勢，目前已經應用在臨床冠狀動脈造影、膝蓋、骨盆和大腦成像中。但目前關于闡述基于DL-Recon 下降低Gd-DTPA 注射量對圖像質量的影響及減少臨床不良反應發生風險可行性的研究較少。

本研究旨在通過比較基于DL-Recon 在顱腦MRI增強掃描中應用不同Gd-DTPA 劑量對圖像質量的影響，探究DL-Recon 技術在保證圖像質量的前提下降低Gd-DTPA 注射量的可行性。本研究的結果可為臨床顱腦MRI提供新的圖像處理方法，并在臨床過程中減少對比劑的使用，從而減少由于高劑量對比劑的使用造成的藥物不良反應發生率。

1 材料與方法

1.1 一般資料

本研究遵守《赫爾辛基宣言》，與患者進行充分溝通，經患者本人知情同意并簽署知情同意書后開展，所有內容均經本院倫理部批準，批準文號：臨研審[2022]045 號。前瞻性選擇2022 年8 月1 日至2022 年9 月30 日于本院放射科進行顱腦MRI 增強檢查的65 例患者作為研究對象。納入標準：（1）無MRI掃描禁忌證，如幽閉恐懼癥、體內嵌入鐵磁性金屬等[10]；（2）需進行Gd-DTPA 靜脈注射輔助成像；（3）無顱內手術或頭顱外傷史；（4）無重度腎臟功能障礙。排除標準：掃描過程出現躁動或圖像運動偽影。最終共納入60例患者，其中男31例，女29例，年齡為36～77（56.8±9.4）歲，體 質 量 為47.9～90.3（68.2±17.1）kg。采用隨機對照法，按照是否降低Gd-DTPA注射量平均分為正常藥量組和降低藥量組。

1.2 Gd-DTPA靜脈注射

Gd-DTPA 購于Schering AG 公司（德國），按照體質量比，正常藥量組注射量為0.20 mL/kg；降低藥量組劑量為0.15 mL/kg。給藥方式為靜脈注射，注射前詢問患者有無過敏史以及慢性病史，同時做好患者的心理護理，消除患者緊張情緒[11]。注射后觀察患者狀態，如是否出現皮膚紅疹、頭暈、呼吸急促等。異常狀況及時匯報醫師，協同處理[12]。

1.3 MRI及重建

本研究所有圖像均使用本院3.0 T 超導MRI 儀（SIGNA Premier 3.0 T, GE Healthcare, Milwaukee,USA）掃描獲得，并利用48 通道頭顱專用線圈（GE Healthcare, USA）。Gd-DTPA靜脈注射5 min后進行常規T1矢狀位及軸位圖像掃描，掃描完成后立即掃描帶有DL-Recon 技術的T1 矢狀位及軸位圖像，掃描完成后自動生成DL-Recon T1矢狀位及軸位像，序列參數設置見表1。本研究的目的為對比減少對比劑使用量的情況下，使用DL-Recon處理的圖像是否可以達到或優于注射正常藥量時使用傳統處理方法獲得的圖像質量，因此僅使用2D快速自旋回波（fast spin echo,FSE）T1WI對該方法的可行性和有效性進行說明。

1.4 圖像數據分析

主觀評價：由兩名具有10 年一線顱腦MRI 診斷經驗的副主任醫師對圖像質量進行評價。圖像均作匿名化處理，且兩名醫師評價彼此獨立互不影響。評價方法為LIKERT 五分制法[13]（1 分：極差；2 分：差；3分：一般；4分：好；5分：優秀），評價指標包括圖像整體質量、均勻度、偽影及增強效果。

客觀評價：完成主觀評價后，由上述兩名醫師對圖像進行標記，圈定感興趣區（region of interest,ROI）。在本研究中ROI的選取主要考慮：（1）包括圖像邊緣和居中部位；（2）滿足特定區域與周邊組織圖像質量的對比。因此，研究中ROI 選定區域為圖像背景、額上回（superior frontal gyrus, SFG）、蛛網膜下腔（subarachnoid space, SAS）和紅核（red nucleus,RN）[14]。在獲取掃描圖像后分別計算圖像背景、SFG及RN 區域的SNR 和上述區域與周邊組織的對比噪聲比（contrast-to-noise ratio, CNR），計算公式為式（1）～（4）。

其中，SI 指信號強度，SDnoise用相應層面圖像背景噪聲信號強度的標準差表示[15-16]。

1.5 統計學分析

使用SPSS 21.0軟件進行統計分析。單變量K-S檢驗用于正態性檢驗。滿足正態分布的數據以均數±標準差的形式表示，組間差異采用方差分析進行檢驗；不滿足正態分布的數據以四分位數的形式表示，組間差異采用秩和Mann-WhitneyU檢驗分析。兩名醫師的主觀評分一致性使用Kappa 檢驗[17]。P＜0.05時差異具有統計學意義。

2 結果

2.1 描述性分析

本研究最終共納入60 例顱腦MRI 增強掃描患者，正常藥量組及降低藥量組各30 例[18]。進一步根據患者Gd-DTPA 是否減量及圖像是否進行DL-Recon分為四組（圖1）：常規重建T1WI 下Gd-DTPA 正常劑量注射（常規圖像+正常藥量）；常規重建T1WI 下Gd-DTPA 減量注射（常規圖像+降低藥量）；DL-Recon T1WI 下Gd-DTPA 正常劑量注射（DL 圖像+正常藥量）；DL-Recon T1WI 下Gd-DTPA 減量注射（DL 圖像+降低藥量），分別對四組圖像進行主觀評價及客觀評價。正常藥量及降低藥量兩組患者間年齡、性別、體質量異均無統計學意義（P＞0.05，表2）。

圖1 感興趣區（ROI）的選定（1A）和患者分組流程（1B）。ROI-1、ROI-2和ROI-3分別為圈定的ROI；DL圖像為深度學習模型重建的圖像。Fig.1 The region of interest (ROI, 1A) and patient grouping process (1B) in current study.ROI-1, ROI-2 and ROI-3 are the circled regions of interest, respectively; DL image is the images processed by the deep learning model.

表2 患者基本臨床信息Tab.2 Basic clinical information of patients

2.2 客觀評價結果

相較于常規圖像+正常藥量組，使用DL-Recon重建的圖像中兩個ROI 區的SNR 和CNR 較常規圖像上升，圖像質量提高（P＜0.05）。使用DL-Recon重建的圖像中，正常藥量組和降低藥量組間SNR 及CNR 差異無統計學意義（P＞0.05）（表3，圖2）。

圖2 正常藥量組與降低藥量組主觀評價和客觀評價結果差異。DL圖像為深度學習模型重建的圖像；SNR：信噪比；SFG：額上回；SAS：蛛網膜下腔；CNR：對比噪聲比。Fig.2 The results of objective analysis and subjective analysis in four-group images.DL image is the images processed by the deep learning model.SNR:signal-to-noise ratio; SFG: superior frontal gyrus; SAS: subarachnoid space; CNR: contrast-to-noise ratio.

表3 圖像客觀評價結果Tab.3 Results of objective image evaluation

2.3 主觀評價結果

兩名觀察者對圖像的均勻度（Kappa=0.799,P＜0.001）、偽影（Kappa=0.580,P＜0.001）、整體質量（Kappa=0.847,P＜0.001）及增強效果（Kappa=0.784,P＜0.001）的主觀評價一致性較強。在四組圖像的主觀評價得分中，圖像均勻度得分四組間差異無統計學意義（P＞0.05），具體見表4。偽影和圖像整體質量得分各組間差異顯著：DL圖像+正常藥量組及DL圖像+降低藥量組顯著高于常規圖像+正常藥量組，差異具有統計學意義（P＜0.05）；常規圖像+降低藥量組相較于常規圖像+正常藥量組，其增強效果差（P＜0.05）；DL圖像+降低藥量組相較于常規圖像+正常藥量組，差異無統計學意義（P＞0.05），具體見圖3～4。

圖3 男，65 歲，無病灶患者顱腦MRI 增強掃描圖像，采用0.20 mL/kg 劑量的釓噴酸葡胺進行T1 增強掃描；3A、3B 分別是常規重建獲得的軸位及矢狀位圖像；3C、3D分別是經深度學習重建技術生成的軸位及矢狀位圖像。Fig.3 The brain image of enhanced T1 MRI from a 65-year-old patient without lesions, in which the injection dose of Gd-DTPA is 0.20 mL/kg.3A and 3B are the axial and sagittal images obtained using conventional reconstruction, respectively; 3C and 3D show the axial and sagittal images generated by deep learning reconstruction technology, respectively.

圖4 女，40歲，有病灶腦膜瘤患者顱腦MRI增強掃描圖像，采用0.15 mL/kg劑量的釓噴酸葡胺進行T1增強掃描。4A、4B分別是常規重建方法獲得的軸位及矢狀圖像；4C、4D分別是經深度學習重建技術生成的軸位及矢狀圖像。顱腦右側頂部可見一腦膜瘤。Fig.4 The brain image of enhanced T1 MRI from a 40-year-old patient with focal meningiomas, in which the injection dose of Gd-DTPA is 0.15 mL/kg.4A and 4B are the axial and sagittal images obtained using conventional reconstruction, respectively; 4C and 4D show the axial and sagittal images generated by deep learning reconstruction technology, respectively.

3 討論

本研究通過比較基于DL-Recon在顱腦MRI增強掃描中應用不同Gd-DTPA 劑量成像的質量，表明使用DL-Recon算法的圖像質量顯著高于常規重建算法，且在DL-Recon成像模式下對比劑的減量對圖像質量無明顯影響。這一結果顯示出DL-Recon成像模式在保障圖像質量的基礎上，有降低Gd-DTPA注射量的潛在能力。這一結果可為臨床顱腦MRI提供新的圖像處理方法，并在臨床過程中減少對比劑的使用量，從而減少由于高劑量對比劑的使用造成的藥物不良反應發生率。

3.1 DL-Recon技術具備降低Gd-DTPA注射量的潛能

DL-Recon技術可顯著提高顱腦MRI圖像質量，且降低Gd-DTPA 注射量對DL-Recon 的圖像質量未有顯著性影響[19]。因此DL-Recon 技術具備保證臨床診斷需要的前提下降低Gd-DTPA注射量的潛能。

3.1.1 DL-Recon T1WI與傳統T1WI相比的優勢

DL-Recon T1WI與傳統T1WI相比具有噪聲低、圖像質量及SNR 值高的優點，能夠滿足顱腦診斷需求。雖然客觀評價指標顯示DL-Recon T1WI 與常規T1WI差異無統計學意義，但DL-Recon T1WI主觀評分明顯優于常規T1WI，圖像細膩程度更高。其原因可能是常規T1WI利用濾波反投影得到的圖像信息作為重建圖像的初始輸入，使用矩陣代數將每個像素的測量值轉換為新估計值，再將該像素值與噪聲模型預測的理想值進行比較，在連續的迭代步驟中重復該過程，直到最終的估計像素值和理想像素值收斂為止[20]。而DL-Recon T1WI通過利用原始k空間數據輸出高質量圖像，采用深度卷積神經網絡重建具有更高SNR、更大邊緣銳利度和減少偽影的圖像，并不斷對圖像進行優化，重建出與標準圖像具有較小差異的圖像[21]。這一點也可以在其他研究的結果中體現，如DL-Recon技術可以提升神經黑色素成像的SNR 和病灶組織的CNR，提升幅度可達到2～3 倍[22-23]，高于本研究結果1～1.5 倍。此外，在癲癇診斷過程中結果也顯示DL-Recon技術可以顯著提高海馬體成像分辨率，尤其是冠狀位[24]。這與本研究結果的趨勢一致。

3.1.2 DL-Recon 技術可用于臨床顱腦MRI 過程中降低對比劑用量

本研究中Gd-DTPA 是目前較常用的細胞外間隙MRI 順磁性對比劑，在病變同等強化程度下，其三期動態增強掃描反映了病變的血供特點及強化方式。與貧血供病灶相比，Gd-DTPA 通常對富血供病灶有更好的顯影效果，常應用于顱腦和脊髓MRI，以進行腫瘤、炎癥和血管病變的診斷與鑒別診斷[25]。盡管臨床前常規的安全藥理學、重復劑量毒性試驗、基因毒性、潛在致癌性和生殖毒性試驗資料顯示對人體無特別危害，但Gd-DTPA臨床不良反應仍無法完全避免[26-27]。本研究在常規圖像和DL-Recon 技術正常注射藥量、DL-Recon 技術下減量注射藥物的基礎上，發現在DL-Recon技術下減量注射藥物對圖像均勻、偽影和圖像整體質量得分各組間差異性顯著，但兩組間圖像的增強效果無明顯差異。使用DL-Recon技術對顱腦MRI的圖像進行處理，可在保證圖像質量的同時將對比劑的用量從0.20 mL/kg降低至0.15 mL/kg。DL-Recon技術這種新的應用方式，可能對減輕由于高劑量對比劑的使用導致的不良藥物反應的發生有明顯作用[28]。此外，由于使用通過DL-Recon 技術對圖像質量的提升，外科醫生能夠在術前精確評估病灶的位置和數目，為選取正確、有效的治療方案提供重要參考，從而提高患者的生存率；對于術后復查或規律治療后復查的患者，由于需要密切觀察病灶的數量及大小變化，故DL-Recon技術對將來隨訪也有重要的意義[29-30]。

3.2 局限性與展望

本研究初步證實了應用DL-Recon技術在不影響圖像質量的前提下，有降低Gd-DTPA注射量的應用潛力。然而，本研究也存在一定局限：（1）本研究為一項單中心研究且納入的樣本量相對有限；（2）使用的DL-Recon 算法較為單一；（3）本研究僅評估基于DL-Recon 算法中降低Gd-DTPA 注射量圖像的增強效果，未調查提出的算法對顱內疾病患者的診斷效能。因此，在未來研究過程中我們將收集更多病例數據，增加樣品數量；結合深度學習圖像重建前沿算法建立顱腦增強掃描圖像處理技術；此外我們將進一步關注實際病例顱腦圖像的采集和處理，以開展在降低Gd-DTPA 注射量后采用本研究算法重建的圖像中診斷顱內疾病的實際效果。

4 結論

綜上所述，本研究通過比較基于DL-Recon 技術在顱腦MRI 增強掃描中應用不同Gd-DTPA 劑量對圖像質量的影響，發現基于DL-Recon 的圖像在同時降低藥量時與正常注射量常規圖像間的增強效果相當，說明DL-Recon 算法具備在保證圖像質量的前提下降低Gd-DTPA注射量的應用能力。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：盧潔負責對研究內容進行設計，并對稿件進行結構和內容設計，提供溝通及協調幫助；梁丹參與選題和設計，負責試驗資料的查找和收集，為資料分析與解釋的主要執行人，完成稿件撰寫和修改；張默和馬素文參與樣本的收集與質控，并對樣品信息進行記錄，對資料的分析與解釋，并對稿件重要內容進行了修改。盧潔獲得了匯智人才工程-支持計劃-領軍人才項目資助。全體作者都同意發表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。