脑部MRI不必凑齐三个方向:MS-HVED用任意可用层堆重建,尼日利亚队列210次配对中187次获专家首选
核心概要
MS-HVED把轴位、冠状位、矢状位三个方向的低分辨率脑部MRI层堆分别编码成多尺度高斯后验,再用带视野掩膜的乘积融合,同一个模型无需重训即可接受任意非空方向子集。在30例尼日利亚临床脑部MRI组成的盲法阅片研究中,7位神经放射科专家在210次配对评估中有187次把整体图像质量票投给MS-HVED而非监督基线SegResNet;当轴位或冠状位输入被刻意省略时,这一偏好仍然存在。
深度剖析
常规脑部MRI常以快速二维多层序列采集,层厚大、层内分辨率高而穿层方向模糊,临床协议因此常同时采集轴位、冠状位和矢状位多个层堆,但各层堆的朝向、配准和覆盖范围并不一致。MS-HVED让同一个网络在推理时接受这三个方向中的任意非空子集,不需要为每种输入组合单独训练一个模型。 此前的学习式超分辨方法多依赖单个欠约束的层堆,或采用输入方向固定的多堆配置并假设理想采集几何;自监督方法如TripleSR虽能融合两个正交层堆,却需要针对每个受试者做计算量很大的优化,且不直接支持第三个层堆或缺失方向。 在合成测试中,同一MS-HVED模型在Ax+Sag与Cor+Sag两种双输入组合下的PSNR差异在三个队列上都很小,例如IXI-T1上分别为25.67 dB与26.42 dB,说明换用不同可用方向子集时性能接近。
融合按体素进行:每个方向先由独立编码器给出该尺度上的均值与方差,构成局部高斯后验,再按各方向的视野掩膜加权合成一个融合后验,掩膜之外没有采集到的区域不参与贡献。 这一做法把异模态分割中的变分融合思路搬到几何超分辨上,并额外处理了多堆超分辨特有的空间缺失——不仅某个方向可能整体缺席,每个方向内部的有效覆盖范围也随处方而变。 消融实验显示,加入倾斜与部分视野的采集模拟后,完整模型相对两者皆无的变体在MEN、IXI-T1、IXI-T2上PSNR分别提升6.06、5.89和4.46 dB;在此基础上再加视野掩膜,SSIM进一步提升0.014至0.049,感知损失下降0.031至0.039。
训练数据由物理启发的域随机化生成:对高分辨率体积施加层剖面卷积、傅里叶域裁剪降采样、随机欧拉旋转造成的倾斜处方、部分视野截断,以及运动鬼影、k空间尖峰、偏置场和Rician噪声,从而在缺少大量配对临床数据的情况下完成监督训练。 此前的域随机化多集中在对比度、分辨率、噪声等外观与退化层面,没有刻画常规多方向采集中的几何特征,即倾斜处方和各方向覆盖范围不一致。 模型在IXI-T1、IXI-T2和内部脑膜瘤队列上训练,并在30例尼日利亚临床脑部MRI上做外部验证;这30例构成44例盲法阅片病例中最大的一部分。
在真实临床图像上,专家对MS-HVED的整体质量评价高于SegResNet,且这一优势在缺少某个方向时依然保持。 配对真实队列的PSNR、SSIM和NCC最高值由非学习的视野加权平均取得,MS-HVED在该队列的感知损失最低(0.244),并在这四项指标上都优于SegResNet。 尼日利亚队列210次配对中187次偏好MS-HVED,脑膜瘤队列49次中47次;按输入条件分组,完整输入182次中152次偏好,省略轴位42次中40次,省略冠状位84次中76次。
启示与展望
已展示的范围是合成基准上的全参考指标、配对真实队列的定量比较、合成测试集上的SynthSeg组织分割,以及7位神经放射科专家对44例真实病例(30例尼日利亚、7例脑膜瘤、7例健康对照)的盲法配对评分;尼日利亚与脑膜瘤队列没有匹配的各向同性高分辨率参考,结论依据阅片评分而非全参考指标。
方法假设各层堆在融合前已完成刚性配准并重采样到共同空间,训练中并未显式模拟残余配准误差,融合机制无法完全纠正由此带来的解剖证据不一致。脑膜瘤临床队列仅7例,肿瘤表现与成像协议范围有限。阅片者之间的一致性随评价标准而变,整体质量的成对二次加权κ中位数为0.46,病理可见性最低为0.27,且后者仅基于7例脑膜瘤病例。作者指出,重建图像质量的提升是否转化为诊断解读的改善,仍需更大规模的多机构研究确定。
