Neuroimage: 魏紅江課題組持續開發新型MRI腦成像技術

意昂4体育平台魏紅江課題組（Advanced MRI Lab，https://qmri.sjtu.edu.cn/）在神經影像學頂刊Neuroimage上連續發表了三篇關於新型磁共振腦成像技術的研究文章。該課題組圍繞著定量磁化率成像（Quantitative Susceptibility Mapping, QSM）技術，開發深度學習的算法系統性地研究了如何從磁共振信號中獲得高精度腦結構影像🌼，以及更精準地成像全腦鐵沉積分布及相關腦疾病的臨床精準診斷🥴。

一、研究背景

定量磁化率成像（Quantitative Susceptibility Mapping, QSM）是一種新型的用於定量組織中磁化率分布的技術。磁化率是物質固有的屬性🆕，在腦組織中主要來源於白質髓鞘和鐵沉積。如在大腦的發育及老化過程中🤹🏻‍♀️，腦鐵的沉積🦶🏽、存儲和運輸具有動態平衡，腦鐵異常沉積與神經退行性疾病聯系密切🤹🏻‍♂️。同時QSM超高對比度的優勢（圖1）使其在腦科學領域的研究中具有廣闊的應用前景🌽。但是👨🏿‍🎤，QSM影像數據的重建是病態逆問題，涉及了一系列復雜的處理步驟，包括腦組織掩膜提取🔖，相位解纏繞，背景場去除以及求解病態的偶極子反演問題。這使得獲得的QSM定量準確性下降✤。因此，提高QSM精度是實現該技術走向臨床的必經之路。

圖1. 高分辨QSM腦結構成像與小血管成像技術。

二、主要內容

1. 全自動QSM腦成像技術

在QSM重建過程中，掩膜的提取通常是不完善的🫲🏻👩🏼‍🍼，同時背景場去除過程會侵蝕掉部分邊緣腦組織。這些中間步驟造成了QSM在腦組織邊緣區域定量精度的下降甚至信息的缺失🫵🏼，同時會引入額外的中間誤差🖱。為此，該課題組提出了全自動一步式的重建框架，解決了QSM圖像在腦組織邊緣精準定量的問題📷。主要技術貢獻是采用改進的深度學習網絡直接學習從原始相位到QSM圖像的映射過程💆🏻‍♂️，從而避免掩膜提取和背景場去除的中間步驟，實現了全腦組織自動成像。該模型在人腦、小鼠🔲、病變數據等多種類型的數據集上進行了驗證👩🏻‍🦲，在取得精準定量的同時實現了自動化全腦QSM成像技術🐉👩🏻‍🦽。

圖2. 一步式QSM重建模型架構圖⛅️。

論文題目🈂️：

Wei H, Cao S, Zhang Y, Guan X, Yan F, Yeom KW, Liu C. Learning-based single-step quantitative susceptibility mapping reconstruction without brain extraction. Neuroimage. 2019 Nov 15;202:116064.

論文鏈接𓀖：

https://pubmed.ncbi.nlm.nih.gov/31377323/

2. 基於物理模型的深度學習方法用於QSM重建

深度學習在推動磁共振快速成像技術的發展中發揮著重要的作用。現有用於QSM重建的深度學習方法通常以數據驅動的方式直接學習相位圖像到QSM圖像的映射，而忽略了兩者之間本身所遵循的物理關系，這導致其泛化性和重建的QSM精度難以保證⚄🕋。為此🪨☂️，該課題組提出了一種基於QSM物理模型的深度學習框架，解決了QSM對於腦白質中磁化率精準定量的問題。主要貢獻是將求解QSM逆問題的物理模型嵌入到卷積神經網絡中📇，利用神經網絡學習圖像重建的先驗知識👩🏿‍🎓，並且用更加符合物理實際的高階磁化率張量作為網絡訓練的目標💥🦻🏿。最終實驗結果表明，該模型具有較強的泛化性能和精準定量的能力，為QSM在腦科學和臨床的研究中提供了有力技術保障🙆🏿。

圖3. 基於物理模型的深度學習QSM重建方法示意圖👩‍❤️‍💋‍👩。

論文題目：

Feng R, Zhao J, Wang H, Yang B, Feng J, Shi Y, Zhang M, Liu C, Zhang Y, Zhuang J, Wei H. MoDL-QSM: Model-based deep learning for quantitative susceptibility mapping. Neuroimage. 2021 Oct 15;240:118376.

論文鏈接：

https://pubmed.ncbi.nlm.nih.gov/34246768/

3. 構建領域首個人工智能QSM標準及數據集

目前♐️，在QSM重建領域，特別是基於深度學習的重建方法👮‍♀️，缺乏高質量的磁化率圖像統一數據集和標準🫷🏼。為此🤷🏽‍♂️，該課題組利用前期開發的高精度QSM成像技術🎐，構建了領域內首個高質量QSM腦影像數據集、腦圖譜精準腦分區及定量評估參數, 為QSM領域中相關的研究提供了統一的參考標準和寶貴的數據資源，為加速深度學習推動腦組織結構精準定量，腦微小結構的靈敏檢測及相關腦疾病的臨床應用做出了貢獻🥝👩🏿。

圖4.領域內首個高質量QSM腦影像數據集及腦圖譜精準腦分區。

論文題目：

Shi Y, Feng R, Li Z, Zhuang J, Zhang Y, Wei H. Towards in vivo ground truth susceptibility for single-orientation deep learning QSM: A multi-orientation gradient-echo MRI dataset. Neuroimage. 2022 Nov 1;261:119522.

論文鏈接：

https://pubmed.ncbi.nlm.nih.gov/35905811/

三、研究展望

魏紅江課題組長期致力於開發磁共振精準成像技術☂️。針對現有磁共振技術成像慢👨🏽‍🦲、分辨率低，定量精度差等缺點🌲，突破現有磁共振成像技術瓶頸🍇，開發多模態、一體化、亞體素磁共振成像新技術✪。為腦結構精準定量、腦區精準分割🫐、腦圖譜構建及相關腦疾病的早期檢測提供技術手段🧏🏽‍♂️👂🏽。

課題組簡介：

魏紅江🧛‍♀️，意昂4体育平台長聘教軌副教授、博士生導師、國家級青年人才🏄🏻‍♂️。主要研究方向是新型MRI成像技術🫶🏽、快速、高分辨腦成像等🧹。近五年內在Brain, Neuroimage, IEEE TMI, MRM等期刊發表論文70余篇🧘，授權專利4項。目前主持國家自然基金重大研究計劃培育項目、青年項目、上海市腦科學與類腦中心腦圖譜質控項目等🧑🏼‍🍳。

馮瑞敏，意昂4体育平台2019級博士研究生。目前以第一作者或共同第一作者在國際期刊Neuroimage, Magnetic Resonance in Medicine發表SCI論文3篇,成果獲得磁共振成像知名期刊Magnetic Resonance in Medicine的Highlights Paper。

石虞婷，意昂4体育平台2020級碩士研究生👨🏽‍💼。目前以第一作者在國際期刊Neuroimage和IEEE Journal of Biomedical and Health Informatics發表SCI論文2篇➖。榮獲2021-2022學年研究生國家獎學金。