生醫工程學院宋小磊課題組?實現多對比度超分辨磁共振成像增強
清華新聞網11月12日電 近期，針對臨床代謝磁共振采集慢和圖像模糊的長期痛點，清華大學生物醫學工程學院宋小磊課題組通過自適應微調AI技術和病人自身結構像參考，實現了腦腫瘤病人的代謝圖像超分辨增強。
多對比度磁共振成像（Multi-contrast MRI）可“無創無標記”實現人體多器官結構、功能、代謝一站式成像，已成為臨床診療和轉化研究中的重要工具。然而，受“分辨率-掃描時長”的關聯制約，在臨床病人掃描的有限時長內，很難同時獲得高空間分辨率的多對比度圖像。宋小磊課題組長期根植于“代謝磁共振與多模影像”，2023年率先采用此類技術進行代謝磁共振的超分超譜增強。近期，針對多對比度超分技術臨床落地的兩大難點，即不同醫院的設備、采集參數差異和新型對比技術如代謝MRI缺乏可用于有監督學習的大規模數據集，團隊提出了“先在公開數據集上有監督訓練，再在臨床數據上開展測試時自適應（Test-time adaptation，TTA）微調”的二階段框架。該微調策略和以病人自身結構像為參照的超分辨新方法，在腦腫瘤病人代謝APTw圖像和聯影5T的腹部圖像中均取得了SOTA的良好效果。
團隊所提方法以病人自身結構像為參考，實現了對低分辨輸入APTw圖像的超分重建，使得20分鐘的掃描時間縮短至約5分鐘（圖1）。值得一提的是，訓練采用正常受試及不含APT的公開數據集，所提方法使得僅需4個腫瘤病人即達成收斂，證明可遷移至不同臨床場景的泛化性（圖2）。
圖1.輸入低分辨代謝像（LR）和高分辨結構像參照（Ref），輸出代謝像高分辨
圖2.在訓練集和測試集存在較大偏差情況下，所提微調網絡僅需4個腫瘤病人即達成收斂
圖3.在下游腫瘤分割任務上，證明ISG+FT超分辨網絡可更好定義腫瘤邊界
針對多對比MRI臨床需求，團隊在前期DANCE框架下提出了“先在公開數據集上有監督訓練，再在臨床數據上開展測試時自適應（Test-time adaptation，TTA）”的二階段框架。具體創新點在于，在深度神經網絡結構上提出了隱式采樣與生成（Implicit Sampling and Generation，ISG）。ISG網絡利用基于學習的采樣和隱式自注意力機制，注重于提取語義豐富區域特征，有效提升了超分圖像細節的保真性。此外，不同醫院采集的圖像分辨率不一致，所需的超分上采樣倍數也不相同。研究團隊考慮到此點，所提出的ISG網絡支持任意尺度輸入、任意尺度上采樣倍數（Arbitrary-Scale SR）。
圖4.ISG網絡的具體結構
在訓練范式上，為了解決真實臨床數據與預訓練的公開數據集之間的Domain Gap，團隊提出了基于多對比度MRI數據自相關性的測試時自適應框架，即神經網絡輸出的超分結果應當具有豐富的高頻細節，使其可以反向地作為“參考圖像”，參與指導另一張低分辨率圖像的超分。上述過程稱為互惠學習（Reciprocal Learning）。圖5紅色箭頭描述了互惠學習的實際過程，利用超分輸出（I^Out）指導原參考圖像的低分副本（I^Ref_LR），通過約束生成的（I^Ref_Rcp）從而間接優化ISG網絡。
圖5.無監督測試時自適應框架
研究重新審視了如何將多對比度超分算法推向實際臨床應用，提出“在公開數據集上預訓練、在臨床數據上無監督微調”的解決方案。論文首次正式報道了對腦腫瘤病人代謝圖像的超分辨重建，并在圖像質量主觀評價和下游腫瘤分割任務上獲得了放射科醫師的高度認可。
研究成果以“腦腫瘤多對比度MRI超分辨：任意尺度隱式采樣與無監督微調”（Multi-contrast MRI super-resolution in brain tumors: arbitrary-scale implicit sampling and unsupervised fine-tuning）為題，于11月3日發表于《IEEE醫學成像匯刊》（IEEE Transactions on Medical Imaging）。
清華大學生物醫學工程學院2021級博士生陳文軒為論文第一作者，清華大學生物醫學工程學院副教授宋小磊與上海科技大學生物醫學工程學院教授沈定剛為論文通訊作者。合作者包括北京清華長庚醫院主任醫師鄭卓肇和醫師趙本琦。
本文鏈接：http://m.albanygandhi.com/news-3-4384.html生醫工程學院宋小磊課題組?實現多對比度超分辨磁共振成像增強
聲明：本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
