于亿万星辰中找到你——MR指纹打印
—压缩感知下的新篇章
磁共振指纹打印（MRF）使用定量信息来更准确地了解患者的状况。定量MRF具有巨大的潜力，可以提高组织差异并实现早期较小侵入的诊断。基于可靠的绝对数字，MRF数据可以增加后续研究中的客观比较。最终，在人工智能（AI）的帮助下，提供更个性化的治疗。MR指纹技术是定量成像新领域的前沿。
指纹打印听上去很深奥，很高大上对吧，现在我就以另外一种比较通俗易懂的方式讲述这项技术，帮助大家理解，听完之后，你就知道为什么有人能靠PPT造车融资百亿，有人拥有好技术却只能四处碰壁。所以说取名字这件事，的确需要大学问。
我们来做这样一件事，一个班里随机挑选3名同学，给他们编号1，2，3。首先我们让他们空腹出发，走30分钟，通过GPS在地图上记录下他们的行进路线，结束后把这张图保存下来，命名为 空腹出行30分钟.jpg , 接着回到起点给每人一块糖后继续出发，这次时间是40分钟，生成的图片命名为 一块糖出行40分钟.jpg，再回到起点给每人一个面包后出发，这次时间是25分钟，命名为 一个面包出行25分钟.jpg，以此类推，每次随机提供一些食物，随机规定一个时间，把他们的路线图都存下来。
通过这样几百次的重复，我们拥有了几百张图，我们把这些路线图交给计算机，通过仿真技术，将这几百张图计算模拟出上万张甚至百万张路线图，内容可能包含了 0.35块西瓜出行1.25分钟.jpg , 50杯红牛出行37.43小时.jpg。
有一天，外校的何老师来代课，他很好奇，希望再次重复这个实验，于是上次的3名同学再次踏上行程，但这次不编号了，何老师也认不出他们谁是谁。接下来何老师各给了3名同学一瓶脉动，让他们出行10分钟，并保存下路线图。何老师把这张路线图交给了AI，所谓江山易改，本性难移，通过大数据分析，找到了图库中一张匹配度高达99.9%的图片，复现了这个实验，何老师通过这张图里标注的信息，知道了1号、2号、3号分别是谁，并准确地获取了他们的爆发力、耐力、体重等等信息。
这样一种说法，大家是不是很快就理解了大概的技术框架呢？
接下来，我们就用另外一种比较官方说法，来讲述他，也就是我们今天所要介绍的，磁共振指纹打印，听上去是不是就深邃，神秘了许多呢？再次感叹取名字是一门大学问。
传统的定量方法采用不同实验参数(如不同的回波时间TE或不同的重复时间TR), 经过多次扫描成像, 获得不同参数(TE或TR)下的弛豫信号曲线; 然后通过曲线拟合对T1和T2的数值进行估计。该类方法虽然可以获得T1和T2的估计值, 但容易受成像条件的影响, 参数估计存在误差大且耗时长的问题, 无法满足临床医学应用的要求。
磁共振指纹成像(magnetic resonance fingerprinting,MRF)技术的提出, 为定量磁共振成像开启了全新的时代。从信息学角度讲, MRF技术是将生物组织可能产生的所有磁共振信号的理论估计作为先验信息, 为观测信号与量化参数之间构建了一种对应关系;借助模式识别、数据挖掘等信息处理技术寻找这种对应关系, 实现生理病理参数的量化反演。该技术打破了传统MRI技术无法同时分离并精确估算不同组织生理参数的局限性, 实现了多种生理参数的并行量化成像。相比传统MRI技术, MRF具有以下优势: (ⅰ) 可实现快速、多参数并行量化成像; (ⅱ) 图像质量受扫描条件、噪声干扰等因素影响小, 数据的可靠性与可重复性强; (ⅲ) 基于模式识别的非傅里叶图像重建技术,使其具有良好抗噪声与抗运动干扰能力, 可实现高质量的胸、腹等部位MR成像; (ⅳ) 有望实现亚体素级参数反演, 填补目前MR技术在更高精度对物质成分观测和测量的空白; (ⅴ) MRF提供的量化生理参数图,可通过计算机仿真合成任意对比度下的常规MRI图像, 而无需重复扫描。
脉冲序列设计
MRF 序列是基于平衡稳态自由进动(balanced steady state free precession,bSSFP)或真稳态自由进动快速成像(true fast imaging with steady state precession,TrueFISP)序列,它对T1 、T2 和偏共振频率敏感,并且该序列产生的稳态信号已经被我们熟知。
为了将成像物体的不同组织成分进行有效区分,MRF技术需要设计具有时域准随机变化特征的RF脉冲序列和空间编码机制。 简单说来, 就是用一组(TR,FA)快速采集一幅图像, 再改变(TR, FA)快速采集一幅图像; 如此重复采集数以百计的时空图像数据。这样,通过RF脉冲序列对成像对象进行多次激发获得的具有一定时域变化特征的图像, 而这些图像某点的信号形成特定的时间演化曲线。 因组织成分参数(如T1, T2等)以及脉冲序列参数(如FA, TR, K空间采样轨迹等)的不同, 不同组织的信号具有不同的时域变化特征,我们称其为指纹。就像人类指纹各不相同, 根据指纹可以识别身份一样, MRF技术利用指纹信号的时域变化特征识别不同组织的参数。在相同的RF脉冲序列条件下, 一方面, 利用磁共振扫描仪对成像物体进行扫描, 获得具有时域变化特征的信号演化曲线(即观测指纹信号); 另一方面, 利用Bloch方程, 结合组织可能具有的生理参数值, 通过计算机仿真获得不同参数组合下的指纹信号估计(形成字典)。 字典中的每个指纹信号都可以索引到其对应的多个生理参数上, 形成指纹与生理参数的对应映射关系。 最后, 借助数据挖掘、模式识别等信息处理技术,搜索与指纹观测信号相匹配的字典词条, 实现组织多个生理参数的并行反演。 当从图像空间各点的指纹信号中反演出组织中的生理参数时, 就获得了这些参数的定量图像。
指纹信号的产生与采集
MRF指纹信号的产生与采集过程如上图所示。 以包含400个时间点的RF序列(400组[FA, TR]参数对)为例, 对成像对象进行激发,并在每个时间点(一个TR)采用非均匀螺旋采样（spiral）轨迹对K空间数据进行稀疏采样, 获得一个时间点的采样数据。通过反复激发和采样, 可以获得关于成像对象的400幅K空间稀疏采样数据。对每个时间点上的二维采样数据进行傅里叶反变换, 得到其对应的像空间数据(如图B中的二维图像所示)。同一个像空间位置上不同时间点的数据组成了该位置对应组织的观测指纹信号(如图B中蓝色曲线所示)。由于采用了远低于奈奎斯特采样密度的稀疏采样, 通常观测指纹信号中存在着严重的折叠噪声(试比较有折叠噪声的图B和无折叠噪声的图C)。尽管如此, MRF采用基于模式识别的非傅里叶图像重建技术, 能够大量抑制折叠噪声的影响(基于模式识别的图像重建技术将在后续重建算法中详细介绍)。
常规MRI技术需要多个TR扫描时间才能获得一幅二维平面的采样数据. MRF技术采用非笛卡尔稀疏采样模板, 在一个极短的TR时间内即可按照K空间采样轨迹获得一幅二维平面稀疏采样数据. 指纹信号的形成需要对同一成像物体进行数百次采样(数百个TR), 但由于每个TR时长较短, 总扫描时间接近常规的单一加权MRI(如T1加权的解剖MRI)的扫描时间。
目前, K空间稀疏采样轨迹除了非均匀螺旋(spiral)采样序列以外, 还有放射状(radial)采样序列和平面回波采样序列(echo planar imaging, EPI)均可作为MRF技术的K空间采样序列. Spiral采样轨迹对于圆形FOV(field of view)具有较好的各向同性及较好的抗运动伪影效果。Radial采样轨迹同样具有非均匀分布特点, 对K空间低频区具有较好采样密度, 可以大大降低采样率. Spiral和Radial轨迹是目前MRF技术常用的采样轨迹。
字典生成
上图为字典生成原理图。 预先设计并构建字典是MRF技术区别于MRI技术的主要特征。针对成像物体生理参数的[T1, T2,ρ ]所有可能取值和前面图中所示的实际扫描序列(TR, FA)和系统参数ΔB0, 用Bloch方程与计算机仿真计算组织参数与扫描参数组合下的信号演化曲线(词条), 形成字典。图中采用包含400个TR的脉冲激发序列生成包含3种生理参数[T1, T2, ρ]的指纹字典. 首先根据成像物体的属性可以确定参数T1, T2和ρ的取值范围, 然后按照成像精度及成像速度等要求设定取值间隔(即字典分辨率), 获得3种参数取值的不同组合, 最后通过RF序列生成对应的指纹信号。
如原理图左侧所示, T1的取值范围为[700~4200 ms],步长为5ms , 共有700 个值; T2的取值范围为[50~2100 ms], 步长为2 ms, 共有1025个值; ρ的取值范围为[0.6, 0.9], 步长为0.05, 共7个值. 因此, 按照[T1 , T2 ,ρ ]3个参数的不同组合, 该字典应包含7 0 0 × 1 0 2 5 × 7 = 5 0 22500 个词条 , 而每个词条包含了400个观测数据。以四组生理参数[700 ms, 50 ms, 0.6], [705 ms,80 ms, 0.85], [980 ms, 120 ms, 0.75)及[4200 ms,2100 ms, 0.95]为例, 其对应的指纹信号估计(词条)为图右侧4种颜色的波形曲线. 在相同的RF序列(FA,TR)参数下, 不同的组织由于其自身组织生理参数[T1 , T2 ,ρ ] 的取值, 形成具有各自特殊时域变化特征的时变信号即指纹。因此, 指纹信号的可区分度不仅仅与生理参数取值有关, 还与RF序列参数的时变特征相关。
字典的设计主要考虑以下两个因素。 (ⅰ) 参数的取值范围, 应包括实际应用中可能的参数值, 但又不要过大; (ⅱ) 参数变化的取值间隔, 间隔小有利于成像精度, 但不利于成像速度。 之前, MRF技术的字典构建通常是在扫描之前,作为离线操作不影响成像速度。 然而,当多种复杂物理条件均考虑在内时, 字典生成将耗时更长。 为此, 利用卷积神经网络通过训练实现字典的快速构建的方法, 将有利于提升MRF技术的实时性能。
参数量化反演
MRF技术通过模式识别、数据挖掘等信息处理技术, 将指纹观测信号与字典库中词条进行匹配, 搜索具有最大相关性的词条作为匹配词条, 从而索引到其对应的量化生理参数, 实现组织参数的反演。 字典搜索匹配过程通常采用向量内积作为衡量词条与观测指纹信号之间相关性的测度, 这是因为基于相关性的词条匹配方法对噪声干扰和运动干扰具有较好的鲁棒性。
这就是磁共振指纹成像的简单介绍，不知道大家是否已经听懂了呢，最后，我们再把两个故事串联一下。
1号——CSF脑脊液
2号——white matter白质
3号——Gray matter灰质
提供的食物——FA翻转角
出行时间——TR恢复时间
路线图——指纹生成
计算机仿真——字典生成
大数据匹配——参数量化反演
学生——组织成分
爆发力——T1
耐力——T2
体重——pd
综上所述, MRF作为一项全新的量化磁共振技术, 在生物医学研究和临床应用中具有巨大的发展潜力。 其多参数、快速量化成像的优势非常符合现代化精准医疗和个性化医疗的要求, 必将产生深远的影响。 MRF技术从提出以来, 发展速度很快,但其在临床医学的应用研究相对滞后, 仍处于研究初期。早日实现 MRF技术在临床上的推广应用, 目前还主要面临两大类问题: (ⅰ) 技术方面, 快速的数据获取与相对滞后的参数反演之间的脱节。 MRF的数据采集速度已大大超过传统的MRI序列, 但MRF参数图像的重建却非常费时, 不能满足临床需要; (ⅱ) 临床方面, 传统MRI图像解读与定量化MRF数据解释之间的转化。人们对基于对比度的传统MRI图像有丰富的经验, 而对MRF数据的意义了解甚少。解决这两大类问题, 还需要MR科学家、工程 师、数据科学家不懈努力以及与影像医生、技师的合作研究。
图为河南省人民医院影像科王梅云教授团队提供，她带领的团队是国内最早开展MRF也是目前国内唯一开展MRF的机构。