0 前言

       体素内不相干运动（intravoxel incoherent motion, IVIM）MRI是扩散加权成像技术的拓展，具有无创反映脑疾病扩散参数[扩散系数（diffusion coefficient, D值）]和灌注参数[灌注分数（perfusion fraction, F值）、伪扩散系数（pseudo-diffusion coefficient, D^*值）]的优势^{[1, 2, 3]}。但由于IVIM成像在进行模型拟合时，需要采集一系列从低b值到高b值的扩散数据，导致扫描时间延长，从而没有被临床广泛应用。因此，缩短扫描时长的同时保证图像质量和定量参数的稳定对于IVIM在临床的推广应用十分重要。降低激励次数（number of excitation, NEX）是缩短MRI扫描时长的重要方法之一^[4]，但NEX的降低通常会影响IVIM图像质量和定量参数的精度^[5]，且高b值的扩散图像往往会由于NEX的降低而影响图像信噪比（signal-to-noise ratio, SNR）^[6]。随着深度学习（deep learning, DL）重建算法在MRI中的不断完善和推广，先前研究已经证实其在IVIM中的应用可以改善心血管系统和消化系统图像质量和定量参数不稳定的问题^{[7, 8]}，但目前国内外尚未有学者探究过DL重建算法在IVIM颅脑加速成像的应用价值。本研究的目的在于对比应用DL重建算法后进行颅脑加速IVIM成像与传统成像方式下图像的质量及定量参数，为基于DL的加速IVIM成像技术在脑肿瘤、脑卒中等脑疾病的临床应用提供参考。

1 材料与方法

1.1 一般资料

       招募2022年8月至12月于首都医科大学宣武医院行颅脑MRI的健康被试40例，其中男22例，女18例，年龄31～69（49.52±11.67）岁。纳入标准：无脑梗死、出血、肿瘤、外伤史等器质性病变。排除标准：有心脏起搏器、人工耳蜗、胰岛素泵植入、幽闭恐惧症等MRI检查禁忌证。本研究遵守《赫尔辛基宣言》并通过了首都医科大学宣武医院医学伦理委员会批准，批准文号：临械审[2019]019号，全体被试均签署了知情同意书。

1.2 数据采集

       使用3.0 T美国通用电气医疗SIGNA Premier MRI设备，及配套的32通道头线圈，通过头戴式耳机保护被试听力。IVIM扫描参数为：TR 5000 ms，TE 87 ms，翻转角 90°，层厚 4 mm，矩阵大小 256×256，b值=0、15、30、50、100、150、200、400、600、800、1000、1200、1500 s/mm²。传统IVIM扫描过程中将NEX设置为2，原始图像（ORIG_IVIM），扫描时间为235 s。加速IVIM扫描过程中将NEX设置为1，同时打开DL重建选项，获得重建后图像（DL_IVIM），扫描时间为180 s。扫描范围覆盖全脑。扫描过程要求患者闭眼，保持头部固定。

1.3 图像分析

1.3.1 SNR和不均匀性指标

       分别计算不同b值下ORIG_IVIM和DL_IVIM的SNR^[9]及图像不均匀性指标（non-uniformity index, NUI）^[10]。SNR是评价MR图像质量的常用指标。NUI指的是梯度场变化、图像重建算法等因素的改变引起的图像平滑强度的变化^[11]，是国际上公认的检测图像质量的一项评估标准^[12]。SNR越大/NUI越低，图像质量越好^[9,11]。由于IVIM双指数模型的信号在脑室附近和白质区域更稳定^[13]，因此信号强度（signal intensity, SI）的测量位置选取在第三脑室层面。如图1所示，在该层面的脑实质范围内选取左上、左下、左脑室旁、左侧脑室前脚附近、右侧脑室前脚附近、右上、右下6个面积大小为300 mm²的感兴趣区（region of interest, ROI），分别得到脑实质平均信号强度（SI脑）、SI最大值（SImax）和最小值（SImin）。同时获取图像左上、左下、右上及右下四个位置的背景噪声标准差（standard deviation, SD），计算背景噪声平均值（SD噪声）。SNR和NUI的计算见公式（1）～（2）。

点击查看大图

图1  第三脑室层面的感兴趣区分布。
Fig. 1  Region of interest distribution in axial section of the third ventricle.

1.3.2 定量参数评价

       在后处理平台对所有IVIM数据进行处理，得到D伪彩图、D^*伪彩图和F伪彩图，分别表征D、D^*和F^[2]。参照计算SNR和NUI选取的ROI大小和位置，在几个伪彩图的相应位置勾画ROI，计算ORIG_IVIM和DL_IVIM定量参数的平均值（D值、D^*值和F值）。

1.3.3 主观评价

       由两名五年以上放射诊断影像工作经验的主治医师对图像进行评价。主观评价采用五分法，即5表示图像无伪影和变形，解剖细节观察清晰；4表示图像有轻微伪影和变形，解剖细节显示较为清晰；3表示有伪影和变形，解剖细节显示一般；2表示伪影和变形较严重，解剖细节显示较差，在一定程度上影响诊断；1表示伪影和变形严重，解剖细节显示不清，影响诊断。评价采用双盲法，两名诊断医师对被试的信息及采集序列不知情。评价过程中如遇分歧，由两名诊断医师协商后得到最终意见。

1.4 统计学分析

       所有的统计学分析均采用SPSS 21.0软件。对客观测量指标（SNR、NUI、D值、D^*值和F值）进行Shapiro-wilk正态性检验。采用Wilcoxon秩和检验进行SNR、NUI、D值、D^*值和F值的对比分析，采用卡方检验比较DL_IVIM与ORGI_IVIM的主观评级得分，P＜0.05认为差异具有统计学意义。为保证所测数据的可靠性，在完成所有客观数据的首次测量后，间隔1周再次重复测量，最终结果取两次测量的平均值。对客观数据的两次测量结果和两位诊断医师的主观评价结果采用组内相关系数（intraclass correlation coefficient, ICC）进行一致性评价，将ICC≥0.75认为一致性良好。

2 结果

2.1 SNR和NUI结果

       除b=0 s/mm²外的b值下DL_IVIM的SNR均显著高于ORIG_IVIM，NUI均显著低于ORIG_IVIM（P＜0.05）（表1、2）。

点击查看表格

表1  DL_IVIM与ORIG_IVIM的SNR结果对比[M (QR)]
Tab. 1  Comparison of SNR between DL_IVIM and ORIG_IVIM [M (QR)]

点击查看表格

表2  DL_IVIM与ORIG_IVIM的NUI结果对比[M (QR)]
Tab. 2  Comparison of NUI between DL_IVIM and ORIG_IVIM [M (QR)]

2.2 重建定量参数结果

       DL_IVIM的D值、D^*值和F值与ORIG_IVIM差异无统计学意义（P＞0.05）（表3、图2）。

点击查看大图

图2  ORIG_IVIM与DL_IVIM定量参数比较。DL_IVIM的D值（2A）、D^*值（2B）和F值（2C）相较于ORIG_IVIM的差异不具有统计学意义（P＞0.05）。DL_IVIM为基于深度学习的加速体素内不相干运动（IVIM）成像；ORIG_IVIM为常规IVIM成像；D为扩散系数；D^*为伪扩散系数；F为灌注分数。
Fig. 2  Comparisons of corresponding quantitative metrics between ORIG_IVIM and DL_IVIM. The D values (2A), D^* values (2B) and F values (2C) of DL_IVIM are not significantly different from those of ORIG_IVIM (P＞0.05). DL_IVIM: deep learning based intravoxel incoherent motion (IVIM) imaging; ORIG_IVIM: conventional IVIM imaging; D: diffusion coefficient; D^*: pseudo-diffusion coefficient; F: perfusion fraction.

点击查看表格

表3  DL_IVIM与ORIG_IVIM的定量参数结果对比[M (QR)]
Tab. 3  Comparison of quantitative parameters between DL_IVIM and ORIG_IVIM [M (QR)]

2.3 主观评价结果

       DL_IVIM的主观评价得分显著高于ORIG_IVIM（χ²=32.81，P＜0.001）（表4）。DL_IVIM不同b值下的图像质量明显高于ORGI_IVIM，而定量参数图直观上没有显著差异（图3）。

点击查看大图

图3  深度学习（DL）重建和常规重建获得体素内不相干运动（IVIM）图像及相应的定量参数伪彩图。DL_IVIM：基于DL的加速IVIM成像；ORIG_IVIM：常规IVIM成像。D：扩散系数；D^*：伪扩散系数；F：灌注分数。
Fig. 3  Intravoxel incoherent motion (IVIM) images (and corresponding quantitative metric maps) acquired using deep learning (DL) reconstruction and conventional reconstruction. DL_IVIM: DL based IVIM imaging; ORIG_IVIM: conventional IVIM imaging; D: diffusion coefficient; D^*: pseudo-diffusion coefficient; F: perfusion fraction.

点击查看表格

表4  DL_IVIM与ORGI_IVIM的主观评价得分结果对比
Tab. 4  Comparison of subjective scores between DL_IVIM and ORIG_IVIM

2.4 一致性检验

       不同b值下SNR、NUI、D值、D^*值和F值的两次测量结果及两位诊断医师主观评分的ICC均≥0.75，一致性很好（表5、6）。

点击查看表格

表5  SNR和NUI两次测量结果的组内相关系数
Tab. 5  ICCs for the results of two measurements of SNR and NUI

点击查看表格

表6  D值、D^*值和F值两次测量结果及主观评分的组内相关系数
Tab. 6  ICCs for the results of two measurements for D values, D* values, F values, and subjective scores

3 讨论

       IVIM是体素在一定测量时间内所呈现的方向和/或振幅分布的平移运动，既可以表现分子扩散运动，也可以反映血液微循环（灌注），具有很大的临床应用潜力^{[1,14, 15, 16]}。在常规数据采集过程中，通常需要通过增加NEX来获取高质量的IVIM图像，这也将导致扫描时间延长^[17]。而DL重建算法已经被证实可以有效提升MRI的图像质量^{[7, 8]}。本研究前瞻性地在颅脑IVIM影像采集过程中加入DL重建算法，降低NEX，经过对比分析发现，DL重建算法在提高图像质量的同时，保证了定量参数的精确性，并将IVIM的采集时间有效缩短了23.4%。

3.1 DL重建算法在提高IVIM图像质量的同时缩短扫描时长

       NEX是影响MRI检查时间的一个重要参数，减少NEX可以有效缩短扫描时长，但图像质量也会受到一定的影响^{[18, 19]}。DL重建算法的应用可以有效保证MRI的图像质量。本研究结果显示，降低NEX的同时应用DL重建算法，在缩短扫描时长的同时，DL_IVIM的SNR在除b=0 s/mm²外的其余b值中显著提升，NUI显著降低，表明加入DL算法的加速采集方式能够有效提升IVIM的图像质量。在本研究中，DL算法在MRI重建过程^{[20, 21, 22]}中运用了卷积神经算法^{[23, 24]}，它一方面通过预估高频K空间的信息来实现有效插补，从而减轻截断伪影；另一方面规避常规的软件过滤器，从而减少部分噪声和截断^{[25, 26]}，从而使得DL_IVIM图像质量得到了有效提升。LEE等^[27]的研究表明，扩散MRI的采集方法及脑脊液部分容积效应的影响，通常会引起高b值图像质量的降低。在本研究中，IVIM图像的SNR和NUI在b=0 s/mm²时无显著差异，除b=0 s/mm²外图像质量得到了显著提升。因此可以更进一步表明，DL重建算法可以显著提升高b值下的扩散MRI的图像质量。综上所述，DL重建算法在降低扫描时间的同时可以提高图像质量，帮助解决基于双指数模型的IVIM由于其图像质量差、拟合时间长^{[28, 29]}导致的在临床应用受限的问题。

3.2 DL重建算法可以保证IVIM定量参数的精确性

       IVIM成像是基于扩散加权成像得到的，它使用多b值和双指数模型来量化随机布朗运动和毛细血管灌注引起的组织中水分子的位移^{[30, 31]}。IVIM信号是以D值和F值为主导产生的D^*值，由此可以得到三个定量参数：D值、F值和D^*值^[32]。从本研究结果可以看出，DL在提升IVIM图像质量的同时，没有引起其拟合参数的显著性改变。而先前LECLER等^[3]的研究提出，D^*值对图像SNR变化非常敏感。但在本研究中，D^*值在DL_IVIM和ORIG_IVIM的对比分析中无显著性差异，可能的原因在于MRI系统的扩散成像重建算法稳定或者样本量较小。在本研究中，作为临床上评估组织生理状态及疾病病理分级的常用参数^[31]，D值和F值则表现出显著的稳定性，保证了DL重建算法应用在IVIM成像过程中其定量参数的精确性。

3.3 DL_IVIM可以帮助提高诊断效能

       为了更进一步评估DL重建是否会对加速采集的IVIM影像诊断产生影响，本研究采用了双盲法对DL_IVIM和ORIG_IVIM进行了主观评价。通过统计学分析发现，DL_IVIM的主观评价结果显著高于ORIG_IVIM，表明DL_IVIM更有利于影像诊断和评估，有助于提高诊断效能。HAN等^[33]将DL算法应用糖尿病黄斑水肿的眼眶MRI中，研究发现基于DL的MRI图像质量显著提高，敏感度和特异度指数数据明显优于传统MRI，且MRI图像的诊断准确率明显优于对照组，更进一步阐明了DL在MRI中的应用有助于提升诊断效能。结合前文所述的客观评价结果，本研究可以更进一步表明，DL算法可以在缩短扫描时长的同时，显著提升IVIM的图像质量（尤其高b值状态下）、提升了影像诊断效能，并且不影响定量参数的拟合，具有十分重要的临床参考价值。

3.4 不足与展望

       本研究存在一定的局限性。首先，研究纳入的样本量较小，后续研究可以通过加大样本量来验证本研究的试验结果。其次，本文的研究对象只关注了正常被试，缺乏颅脑疾病患者。最后，研究中缺乏调整其他序列参数的对比，未来还可以通过调整其他参数（如重复时间、b值范围等）进一步缩短扫描时长后，应用DL算法，对比研究脑疾病患者的IVIM图像质量和重建参数是否有显著性变化。

4 结论

       综上所述，应用DL重建，可以实现IVIM成像时长的缩短，图像质量的提高，并且保证IVIM定量参数的准确性，从而为DL重建算法进一步应用于IVIM的临床实践提供有价值的参考。