跳到主要内容
返回时间线
Journal of Imaging Informatics in Medicine来源发表:

多回波定量MRI不再对每张图都做运动校正:MDCC先判后修,R2*误差比受损输入降16.1%

核心概要

多回波梯度回波定量MRI的运动伪影会沿回波链污染R2*等参数图,而现有深度学习校正方法常丢弃相位、逐回波独立处理,并对干净数据也一律施加校正。MDCC把复数输入的运动检测器ME-MoD与复数校正器ME-MoC串成“检测—校正—复评”循环,只对判为受运动污染的体数据调用校正。在58例真实运动的留出检测集上,ME-MoD的AUC为0.947、灵敏度0.91;在20例合成中度运动体数据上,ME-MoC把R2*的RMSE相对受损输入降低16.1%,相对2D U-Net降低30.5%,与LEARN的差异未达统计显著。

Source-provided article image: A Deep Learning Framework for Retrospective Motion Detection and Conditional Correction (MDCC): Application to Multi-Gradient-Recalled Echo Quantitative MRI.
PubMed

深度剖析

多回波梯度回波MRI的运动校正现在可以先判断再动手:只有被体数据级检测器判为受运动污染的扫描才进入校正网络,干净扫描原样返回。 此前的深度学习回顾性校正通常对每个输入体数据一律施加校正,而校正网络作用在干净数据上并非恒等操作,可能引入平滑、虚假高频细节或幅度偏差。 在58例全部来自活体、含真实运动的留出检测集上,ME-MoD在验证集冻结阈值下取得0.90准确率、0.91灵敏度、0.87特异度和0.91 F1;相对架构匹配的幅度输入检测器Mag-MoD,灵敏度提高0.343(Holm校正p=0.004),特异度从1.00降到0.87但差异不显著。

校正器直接吃复数多回波体数据,把十个回波当作同一解剖的互补表示联合处理,并用T2*衰减的物理约束引导输出。 多数已发表方法只处理幅度图、丢弃相位,并把各回波独立对待;而多回波GRE的相位本身是磁化率成像等应用所需,回波之间又共享解剖结构。 ME-MoC是全程复数运算的(2+1)D U-Net,瓶颈处对回波轴做多头自注意力,训练损失含复数保真、幅度对齐和T2*一致性三项;在20例合成中度运动体数据上,其队列平均SSIM为0.953、PSNR为36.73 dB,四项指标均显著优于2D U-Net(Holm校正p<0.001),与LEARN的差异在多重比较校正后不显著。

校正的价值最终落在下游参数图上:由校正后多回波图像拟合的R2*图比受损输入和2D U-Net更接近真值。 运动不只让图像出现鬼影和模糊,还会以系统偏差和体素级离群值的形式传入R2t*、R2′和定量磁化率图,扭曲采集本要测量的量。 在20例合成测试体数据上,ME-MoC把R2*的RMSE相对受损输入降低16.1%(95% CI 11.6–20.8%),相对2D U-Net降低30.5%(95% CI 26.5–34.8%),两者Holm校正p<0.001;相对LEARN的平均配对改善为0.04 s⁻¹(95% CI −0.15至0.25,p=0.841),属数值而非统计确立的差异。

启示与展望

已演示的范围是单中心、西门子3 T、32通道线圈采集的十回波mGRE数据:检测在58例真实运动体数据上评估,校正与R2*的参考指标只在20例合成中度运动体数据上计算,真实运动仅两例且无配对的无运动参考。适合关注定量MRI运动校正与复数网络的研究人员和工程师阅读;作者提出未来在跨扫描仪、跨运动条件的更大前瞻数据集上验证该流程。

作者指出运动模拟器只旋转已有复数相位,未按新头位重算方向相关的B0变化,也未建模层面内平移和明确的板层编码污染,且替换主要发生在周边k空间,因此合成结果对应轻至中度模拟运动。实验未直接评估校正后相位的保真度,图像指标均在幅度图上计算;MDCC依赖重建后的复数多回波图像,而临床流程常只保留幅度图,需重新训练才能用于纯幅度存档。作者还报告ME-MoC的R2*正偏差大于LEARN(1.31±0.75对0.43±0.34 s⁻¹),且轻度运动下优势缩小、LEARN在若干中晚期回波上保持得更好。