DEISM:基于自校准机制的深度重建框架在加速化学交换饱和转移成像中的应用

2025-02-26 Wed
基于自校准机制的深度重建框架（DEISM）在加速化学交换饱和转移成像中的应用学术背景化学交换饱和转移（Chemical Exchange Saturation Transfer, CEST）成像是一种高灵敏度的分子磁共振成像技术，能够检测与多种疾病（如癌症、癫痫和卒中）相关的生物分子。然而，CEST成像的一个主要缺点是扫描时间过长，这是由于需要在不同的饱和频率偏移下进行多次数据采集。长时间的扫描限制了CEST成像在临床中的广泛应用。为了解决这一问题，研究者们致力于开发加速CEST成像的技术，主要通过利用数据中的冗余信息，从欠采样的k空间数据中重建图像。
尽管现有的并行成像和压缩感知（Compressed Sensing, CS）技术在一定程度上加速了CEST成像，但这些方法仍存在局限性。例如，并行成像的加速率受限于噪声放大和线圈灵敏度估计的不准确性，而CS技术则因繁琐的参数调整和较长的重建时间难以在临床中广泛应用。近年来，深度学习算法在医学图像重建中展现出巨大潜力，通过从大量历史数据中学习，深度学习能够利用更灵活的先验信息，为加速CEST成像提供了新的可能性。
论文来源本论文由Jianping Xu、Tao Zu、Yi-Cheng Hsu、Xiaoli Wang和Kannie W. Y. Chan等人共同撰写，主要作者来自多所知名研究机构。论文已发表于IEEE Transactions on Biomedical Engineering期刊，并于2023年在国际磁共振医学学会（International Society for Magnetic Resonance in Medicine, ISMRM）年会上作为摘要首次呈现。
研究流程与细节研究目标本研究提出了一种名为DEISM（Deep reconstruction framework with self-calibration mechanisms）的新型深度学习框架，旨在通过自校准机制加速CEST成像。DEISM框架结合了模型驱动的图像重建网络和数据驱动的伪影抑制网络，利用伪影场中的空间-频率冗余信息，显著提高了CEST图像的重建质量。
研究流程1. DEISM框架设计DEISM框架由两个主要模块组成：
- CEST-VN：一个基于模型的图像重建网络，负责从欠采样的多线圈k空间数据中生成初始重建图像。
- AS-Net：一个数据驱动的伪影抑制网络，通过自校准机制估计并校正初始重建图像中的残余伪影。
2. 伪影抑制网络（AS-Net）的开发AS-Net采用了一种新颖的多尺度特征融合卷积神经网络（Muff-CNN），用于伪影估计（Artifact Estimation, AE）和伪影校正（Artifact Correction, AC）。AS-Net通过从完全采样的校准帧中提取伪影信息，并利用这些信息校正欠采样帧中的伪影。
3. 训练与优化DEISM框架通过端到端的方式进行训练，使用了模拟的多线圈CEST数据进行预训练和微调。训练过程分为四个步骤：
- 步骤1：预训练CEST-VN，使用CEST特定的损失函数进行40轮训练。
- 步骤2：预训练AS-Net，使用3倍欠采样的图像数据进行训练。
- 步骤3：微调AS-Net，固定CEST-VN的权重，针对不同加速因子进行微调。
- 步骤4：端到端训练整个DEISM框架，使用CEST特定的损失函数进行优化。
4. 实验与评估研究在5名健康志愿者和5名脑肿瘤患者的数据上进行了回顾性和前瞻性实验，评估了DEISM框架在不同加速因子下的性能。实验结果表明，DEISM在重建CEST源图像、分子图和CEST光谱方面均优于传统的并行成像和CS算法。
主要结果1. 伪影抑制效果在3倍加速的CEST图像上，AS-Net能够有效校正伪影，保留更多细节，并在定量评估中表现出较低的误差和较高的峰值信噪比（PSNR）。与传统的线性伪影校正方法相比，AS-Net在图像质量和伪影校正效果上均表现出显著优势。
2. DEISM框架性能在8倍加速的CEST图像上，DEISM框架重建的源图像和APT加权（Amide Proton Transfer-weighted, APTw）地图与完全采样的参考图像高度一致。DEISM框架在保留结构细节和校正残余伪影方面表现出色，特别是在高加速因子下，DEISM的性能显著优于其他方法。
3. 前瞻性实验在前瞻性实验中，DEISM框架在4倍和7倍加速的CEST图像上均表现出较高的重建质量，表明其在临床实际应用中的可行性。
结论与意义结论DEISM框架通过结合模型驱动的图像重建和数据驱动的伪影抑制，显著提高了CEST图像的重建质量，特别是在高加速因子下。该框架利用伪影场中的空间-频率冗余信息，通过自校准机制有效校正了残余伪影，为加速CEST成像提供了新的解决方案。
科学价值与应用价值DEISM框架的提出不仅在科学上推动了CEST成像技术的发展，还为临床提供了更高效的成像工具。通过减少扫描时间，DEISM有望促进CEST成像在疾病诊断和治疗监测中的广泛应用。
研究亮点新颖的自校准机制：DEISM框架首次将学习到的伪影先验信息引入CEST图像重建过程，显著提高了图像质量。
多尺度特征融合网络：AS-Net采用的多尺度特征融合机制有效提升了伪影估计和校正的准确性。
端到端训练：DEISM框架通过端到端训练实现了图像重建和伪影抑制的全局优化，进一步提高了重建性能。
其他有价值的信息本研究还探讨了不同校准帧选择对伪影抑制效果的影响，为未来优化CEST成像技术提供了重要参考。此外，DEISM框架的开源代码已公开，便于其他研究者进一步验证和改进。
通过本研究，DEISM框架为加速CEST成像提供了一种高效且可靠的方法，具有重要的科学和临床价值。未来，该框架有望在更多疾病诊断和治疗监测中发挥重要作用。