探索发现 · 交大智慧

上海交大魏红江课题组持续开发新型MRI脑成像技术 相关成果连续在神经影像学顶刊Neuroimage发表

上海交通大学生物医学工程学院魏红江课题组(Advanced MRI Lab,https://qmri.sjtu.edu.cn/)在神经影像学顶刊Neuroimage上连续发表了三篇关于新型磁共振脑成像技术的研究文章。该课题组围绕着定量磁化率成像(Quantitative Susceptibility Mapping, QSM)技术,开发深度学习的算法系统性地研究了如何从磁共振信号中获得高精度脑结构影像,以及更精准地成像全脑铁沉积分布及相关脑疾病的临床精准诊断。

研究背景

定量磁化率成像(Quantitative Susceptibility Mapping, QSM)是一种新型的用于定量组织中磁化率分布的技术。磁化率是物质固有的属性,在脑组织中主要来源于白质髓鞘和铁沉积。如在大脑的发育及老化过程中,脑铁的沉积、存储和运输具有动态平衡,脑铁异常沉积与神经退行性疾病联系密切。同时QSM超高对比度的优势(图1)使其在脑科学领域的研究中具有广阔的应用前景。但是,QSM影像数据的重建是病态逆问题,涉及了一系列复杂的处理步骤,包括脑组织掩膜提取,相位解缠绕,背景场去除以及求解病态的偶极子反演问题。这使得获得的QSM定量准确性下降。因此,提高QSM精度是实现该技术走向临床的必经之路。

image002.png

图1. 高分辨QSM脑结构成像与小血管成像技术

主要内容

全自动QSM脑成像技术

在QSM重建过程中,掩膜的提取通常是不完善的,同时背景场去除过程会侵蚀掉部分边缘脑组织。这些中间步骤造成了QSM在脑组织边缘区域定量精度的下降甚至信息的缺失,同时会引入额外的中间误差。为此,该课题组提出了全自动一步式的重建框架,解决了QSM图像在脑组织边缘精准定量的问题。主要技术贡献是采用改进的深度学习网络直接学习从原始相位到QSM图像的映射过程,从而避免掩膜提取和背景场去除的中间步骤,实现了全脑组织自动成像。该模型在人脑、小鼠、病变数据等多种类型的数据集上进行了验证,在取得精准定量的同时实现了自动化全脑QSM成像技术。

image004.jpg 

图2. 一步式QSM重建模型架构图

论文题目:

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.

论文链接:https://pubmed.ncbi.nlm.nih.gov/31377323/

基于物理模型的深度学习方法用于QSM重建

深度学习在推动磁共振快速成像技术的发展中发挥着重要的作用。现有用于QSM重建的深度学习方法通常以数据驱动的方式直接学习相位图像到QSM图像的映射,而忽略了两者之间本身所遵循的物理关系,这导致其泛化性和重建的QSM精度难以保证。为此,该课题组提出了一种基于QSM物理模型的深度学习框架,解决了QSM对于脑白质中磁化率精准定量的问题。主要贡献是将求解QSM逆问题的物理模型嵌入到卷积神经网络中,利用神经网络学习图像重建的先验知识,并且用更加符合物理实际的高阶磁化率张量作为网络训练的目标。最终实验结果表明,该模型具有较强的泛化性能和精准定量的能力,为QSM在脑科学和临床的研究中提供了有力技术保障。

image006.png

图3. 基于物理模型的深度学习QSM重建方法示意图

论文题目:

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.

论文链接:https://pubmed.ncbi.nlm.nih.gov/34246768/

构建领域首个人工智能QSM标准及数据集

目前,在QSM重建领域,特别是基于深度学习的重建方法,缺乏高质量的磁化率图像统一数据集和标准。为此,该课题组利用前期开发的高精度QSM成像技术,构建了领域内首个高质量QSM脑影像数据集、脑图谱精准脑分区及定量评估参数,为QSM领域中相关的研究提供了统一的参考标准和宝贵的数据资源,为加速深度学习推动脑组织结构精准定量,脑微小结构的灵敏检测及相关脑疾病的临床应用作出了贡献。

image008.jpg

图4.领域内首个高质量QSM脑影像数据集及脑图谱精准脑分区

论文题目:

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.

论文链接:https://pubmed.ncbi.nlm.nih.gov/35905811/

研究展望

魏红江课题组长期致力于开发磁共振精准成像技术。针对现有磁共振技术成像慢、分辨率低,定量精度差等缺点,突破现有磁共振成像技术瓶颈,开发多模态、一体化、亚体素磁共振成像新技术。为脑结构精准定量、脑区精准分割、脑图谱构建及相关脑疾病的早期检测提供技术手段。

课题组简介:

魏红江,上海交通大学生物医学工程学院长聘教轨副教授、博士生导师、国家级青年人才。主要研究方向是新型MRI成像技术、快速、高分辨脑成像等。近五年内在Brain, Neuroimage, IEEE TMI, MRM等期刊发表论文70余篇,授权专利4项。目前主持国家自然基金重大研究计划培育项目、青年项目、上海市脑科学与类脑中心脑图谱质控项目等。

冯瑞敏,上海交通大学生物医学工程学院2019级博士研究生。目前以第一作者或共同第一作者在国际期刊Neuroimage, Magnetic Resonance in Medicine发表SCI论文3篇,成果获得磁共振成像知名期刊Magnetic Resonance in Medicine的Highlights Paper。

石虞婷,上海交通大学生物医学工程学院2020级硕士研究生。目前以第一作者在国际期刊Neuroimage和IEEE Journal of Biomedical and Health Informatics发表SCI论文2篇。荣获2021-2022学年研究生国家奖学金。

魏红江
生物医学工程学院