作者：曹波，卢洁，首都医科大学宣武医院放射与核医学科

MR血管成像(MR angiography, MRA)可无创显示血管结构，对评估颈动脉狭窄程度和动脉粥样硬化斑块组织成分等重要心脑血管疾病相关特征具有独特优势；其缺陷是扫描时间较长，易出现图像伪影而降低信噪比，甚至导致扫描失败，故需利用后处理方法对MRA进行校正。深度学习(deep learning, DL)由机器学习发展而来，可构建深度神经网络，学习输入数据的特征并通过矩阵运算得出预测结果，现已广泛用于分割图像语义、处理自然语言等现实任务，并在分割图像中的病灶、诊断疾病和预测病程等医学任务中展现出较好性能。

基于DL后处理方法对重建MR图像和校正伪影等具有即插即用的优势，可于欠采样加速采集下获得与全采样质量相同的图像。相比在成像序列中建立运动校正，基于DL后处理方法采用端到端方式解决问题，既不需要额外添加复杂的外部硬件模块，也无须对采集序列进行适应性调整，更加便捷且易于部署。本文就利用DL技术校正头颈部动脉和冠状动脉MRA的研究进展进行综述。

1. MRA技术

相比CT血管成像、超声及数字减影血管造影等，MRA具有无创、无辐射和分辨率高等特点，可展示更为丰富的管腔细节，对于评估血管形态、管腔狭窄程度和观察动脉粥样硬化斑块组织成分等具有明显优势。对头颈部动脉通常以多序列联合MRA观察血管壁形态、动脉粥样硬化斑块内成分等特点，以评估斑块易损性。冠状动脉MRA(coronary MRA, CMRA)可无创诊断冠状动脉管腔狭窄或扩张、管壁斑块及冠心病等，敏感度和特异度均较高。

为减少心脏搏动对CMRA信噪比和对比度噪声比的影响，行CMRA时常以稳态自由进动序列、梯度回波序列和平面回波成像序列等进行扫描，同时利用呼吸运动导航、心电门控等技术减少伪影，以获得更好的图像质量；但受患者配合度不佳等因素影响，获取高质量MR图像存在一定难度，严重时甚至导致扫描失败。

2. DL图像校正基础网络模型

DL技术已在降噪、超分辨率、去伪影、去雨和去雾等自然图像任务中表现出优异性能，用于医学图像则面临诸多挑战，已成为人工智能与医学结合的研究热点之一。DL技术中，应用最广泛的卷积神经网络(convolutional neural network, CNN)可通过卷积核学习和理解图像的不同层次特征，以之为组成模块的图像处理模型(如U-Net)已用于医学领域，并在分割病灶、诊断疾病和重建图像等任务中均表现出色。

近年常用于医学图像处理任务的网络模型包括变分自编码器(variational auto-encoder, VAE)、生成对抗网络(generative adversarial network, GAN)和去噪扩散概率模型(denoising diffusion probabilistic model, DDPM)。VAE以U-Net模型作为视觉理解网络编码器(encoder)提取高维特征，并计算潜在特征概率分布以得到潜特征z,再通过解码器对z解码而得到目标图像x∧。

GAN模型以生成器学习输入图像x的特征并据以生成拟合图像，以判别器判断拟合图像与真实图像y的偏差，并将结果反馈给生成器以优化拟合结果，从而获得目标图像x∧。DDPM则继承并优化了VAE概率分布和参数化等技术，是近年用于视觉生成任务的较为先进的网络架构。

3. 基于DL校正MRA伪影

长时间MRA过程中，受检者吞咽、咳嗽等自主运动，以及呼吸、心跳等非自主活动均可致图像偏移和伪影，对此一般需施加外部干预，如嘱受检者屏气、采用呼吸门控和心电门控策略等。利用DL方法通常可直接去除图像伪影或重建欠采样模糊图像，在确保图像质量的同时减少扫描时间。WU等对64例冠状动脉疾病患者行CMRA，联合U-Net加速采集方法以保证CMRA图像质量；相比压缩感知和敏感度编码技术，该方案所得图像评分最高、采集时间最短，且诊断敏感度、特异度和准确率分别为87.5%、91.7%和90%。

QI等利用来自30例冠状动脉疾病患者和15名健康志愿者的CMRA数据集设计的基于U-Net的无监督三维非刚性呼吸运动场快速估计网络RespME-net可在10 s内以亚像素精度[(0.44±0.38)mm]预测三维非刚性运动场。MUNOZ等利用来自27例心血管疾病患者和15名健康志愿者的CMRA数据集建立了基于U-Net网络的自监督非刚性运动估计网络，以加速非刚性运动校正行CMRA重建，可在保证获得与传统立方B样条插值法相同质量图像的同时使重建效率提升50倍，将重建时间缩短至20 s。

QI等在不使用配对图像的基础上将RespME-net与DDPM去噪网络相结合而获得端到端的有监督CMRA重建网络，并以非刚性运动校正重建9倍欠采样自由呼吸全心CMRA；所获图像的峰值信噪比(peak signal-to-noise ratio, PSNR)(26.71±2.79vs. 27.86±3.00)和结构相似度(structural similarity, SSIM)(0.75±0.06vs. 0.78±0.06)均较传统方法更佳，且血管清晰度主观评分更高。

PHAIR等基于39例冠心病患者CMRA数据集通过7倍欠采样对上述方法进行验证，成功将重建时间缩短至30 s, 相比此前性能较好的低秩重建算法增速240倍，而图像质量与3倍欠采样下低秩重建算法相当。PAN等采用心脏序列平均配准模板、基于DDPM设计的分组运动估计框架可于20倍加速成像下获得几乎无伪影的高质量图像，其PSNR为34.84±2.87、SSIM为0.91±0.04。

U-Net凭借对医学图像高频信息的优秀学习能力仍是目前构建MRA后处理框架的首选网络模型；相比GAN、DDPM等对硬件计算资源需求较高、训练成本昂贵的网络模型，U-Net更适用于优化特定医学图像分析场景的轻量化后处理框架且成本更低。另一方面，DDPM模型虽对硬件计算资源需求较高、训练成本亦较高，但在校正MRA运动伪影及重建图像等任务中具有独特优势，并因在训练过程中需通过迭代从正、反两个方向学习图像特征和噪声分布而具有较高的可解释性。

目前以DL模型处理MRA仍存在可信度不足等问题，特别是在病灶体积较小的情况下。期待未来结合不同网络框架优势开发更为精准、高效、轻量的先进校正框架。

4. 小结与展望

采用DL技术快速重建欠采样MRA可在保证图像质量的同时显著减少运动伪影，但目前研究样本仍有限，难以确保以相关算法解决临床问题的有效性。针对上述问题，未来可通过多中心合作或数据共享等方式扩充样本量，增大模型训练数据集尺度，并在真实临床环境中进行测试，以验证同一模型用于不同来源数据的有效性和鲁棒性。随着医学通用大模型的迅速发展，基于Transformer的语言大模型、视觉大模型及多模态大模型已用于医学知识问答、X线自动读片等多种临床场景；据此可将DL与PET、CT和电子病历等结合构建医学图像处理大模型，以一站式解决复杂MRA优化任务，以更好地用于临床。

来源：曹波,卢洁.基于深度学习校正头颈部动脉和冠状动脉MR血管成像研究进展[J].中国医学影像技术,2024,40(10):1599-1602.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)