Nature BME | 用于增强磁共振图像和下游分割、配准和诊断任务的基础模型

星标“医工学人”，第一时间获取医工交叉领域新闻动态~

结构磁共振（MR）成像中，运动伪影、低分辨率、成像噪声和采集方案的可变性经常会降低图像质量并影响下游分析。12月5日，北卡罗来纳大学教堂山分校的研究者们在Nature Biomedical Engineering发表研究文章，报告了用于 MR 图像的运动校正、分辨率增强、去噪和协调的基础模型。

结构磁共振成像（MRI）是一种成熟的、非侵入性且安全的技术，用于表征人脑，因为它具有出色的软组织对比度和无辐射。然而，尽管有其优点，但在采集过程中，来自头部运动甚至心跳、呼吸或眨眼的任何参与者运动都可能导致严重的模糊和重影伪影，导致混杂效应和后续神经影像学分析的挑战，包括组织分割、配准、图谱构建、分组和组比较。

为了减轻运动伪影，已经提出了各种技术，这些技术可以大致分为两类：前瞻性和回顾性校正方法。前瞻性方法旨在防止数据采集过程中出现伪影；回顾性方法在采集后使用 navigator 去除或减少伪影或跟踪链接或迭代算法。但是这些方法通常计算成本高昂，并且需要补充数据以及重建的图像，例如原始频域（k-space）数据，这些数据并不总是可用于大规模开放数据集。在此背景下，基于深度学习的方法已成为运动校正的潜在解决方案。这些方法消除了对昂贵的额外硬件、序列修改或补充 k-space 数据的需求。然而，虽然这些方法已经显示出成功，但它们仍然会产生带有残留伪影和解剖学不正确的组织的图像。

除了运动伪影外，由于成像硬件、信噪比（SNR）、时间限制和参与者舒适度的限制，脑部 MRI 通常具有较大的平面厚度或低分辨率。以及使用 MRI 数据的另一个显著挑战是巨大的中心间数据异质性，这源于扫描仪制造商、型号和成像参数的变化。这种异质性阻碍了来源之间的可比性，并对临床和研究结果产生不利影响。

图1 BME-X模型概述（图源：Nature BME）

综上，研究者们提出了一种灵活且易于实现的脑部 MRI 增强基础（BME-X）模型，如图 1所示。通过运动校正、超分辨率、去噪、协调和对比度增强显著提高大脑 MR 图像质量。

首先，该研究通过6个数据集的2,088张合成损坏图像及19个数据集10,963体内图像验证BME-X模型的优势。其次，进行消融研究以验证组织分类模块在提高图像质量方面的有效性。第三，全面评估了 BME-X 在处理具有不同运动伪影、降采样、高斯噪声、里西亚噪声和平滑度的损坏图像时的鲁棒性。第四，评估了重建过程中是否引入任何潜在的偏倚。第五，探讨了 BME-X 估计 3 个 T MRI 高场样（7-T 样）图像的能力。第六，证明了 BME-X 在去除各种情况的异常脑部 MRI 伪影方面的有效性。第七，应用 BME-X 来协调不同扫描仪之间的脑部 MRI。第八，将 BME-X 模型扩展到几个下游任务，包括组织分割、配准、分包和诊断。

图2 24 个月大时体内 T1w 图像增强结果的视觉比较

图3 180 张来自 BCP 的 24 个月大合成的损坏 T1w 图像的增强结果，由四种竞争方法和基础模型生成

图4 来自 5 个数据集的 1,908 张合成损坏图像的增强结果

图5 BME-X 模型对整个人类生命周期中 10,963 张体内低质量图像的增强结果，从 19 个数据集中收集。

图6 来自竞争方法和 BME-X 模型的 MR-ART 数据集中 280 张体内损坏的 T1w 图像的增强结果和偏差量化。

图7 BME-X 模型的超超分辨率重建。

图8 不同大脑状况下异常大脑图像的增强结果。

综上，该研究训练了一个组织分类神经网络来预测组织标签，然后 “组织感知 ”增强网络利用这些标签来生成高质量的 MR 图像。模型在一个大型且多样化的数据集上进行了有效性验证。该模型在提高 MR 图像质量、处理患有多发性硬化症或神经胶质瘤的病理性大脑、从 3 T 扫描生成 7-T 样图像以及协调从不同扫描仪获取的图像方面始终优于最先进的算法。该模型生成的高质量、高分辨率和协调的图像可用于增强模型在组织分割、配准、诊断和其他下游任务方面的性能。