European Radiology：腹部T2 mapping的深度学习重建

定量磁共振成像（qMRI）因其能够提供特定的诊断成像特征而在医学界引起了更多的关注。特别是，定量T2 mapping已显示出其在识别组织病理变化方面的优势。在腹部成像领域，T2 mapping可以作为各种疾病的可靠生物标志物，如肝硬化、铁过载、肝细胞癌（HCC）和肝血管瘤。

然而，腹部成像面临着呼吸运动和其他生理性运动的挑战。为了减轻呼吸引起的图像伪影影响，通常在屏气或呼吸门控条件下进行扫描。对于屏气技术，初步的方法在不同的屏气期获取不同回波时间（TEs）的图像以适应T2 mapping。然而，屏气程序可能会受到剩余运动的阻碍，而且相对较长的屏气时间给呼吸功能不佳的患者带来很大的负担。另外，呼吸门控技术利用额外的硬件（如呼吸带）来跟踪呼吸，然后触发数据采集。由于是自由呼吸采集，这些技术受扫描时间的限制较少，并提供更好的空间分辨率。然而，呼吸门控的自由呼吸技术需要外部硬件，并且由于采集窗口有限，将大大延长采集时间。

最近，临床上引入了多重叠回声脱离（MOLED）序列以实现体内大脑的单次T2或扩散成像。由于超快的采集速度，MOLED可以 "冻结 "生理运动，无需呼吸触发、实现自由呼吸成像。因此，将MOLED的应用扩展到腹部T2 mapping有可能解决上述的局限性，对临床有很大的价值。

然而，将MOLED扩展到腹部成像还有一个很大的障碍。虽然MOLED的重叠回波有利于单次T2成像，但它的代价是增加了信号的复杂性，而且随着复杂性的增加，后续的图像重建也具有挑战性。深度学习（DL）在医学影像分析中表现出强大的非线性拟合能力，因此是重建复杂的MOLED信号的T2 mapping的好选择。但是，DL的性能高度依赖于具有合格标签的大小数据集，由于数据收集和标签的经济和时间负担，因此在MRI领域通常很难获得。

近日，发表在European Radiology杂志的一项研究提出了一个基于单对比度腹部图像的模式合成和随机化的腹部合成数据生成流程，并评估了基于MOLED的T2 mapping的准确性和质量。

研究采用单次MOLED脉冲序列来实现腹部自由呼吸的T2 mapping成像。深度学习用来解开MOLED信号和T2 mapping之间的非线性关系。研究提出了一个基于Bloch模拟、模式合成和随机化的合成数据生成流程以克服临床时间训练集的不足。 

模拟和体内实验的结果表明，研究所提出的方法可以提供高质量的T2 mapping成像。在数字模型实验中线性回归的平均NMSE和R2值为0.0178和0.9751。在模型实验中，研究预测的T2和参考T2之间的皮尔逊相关系数为0.9996。在对患者的测量中，实现了对腹部各器官注射造影剂前后T2值变化的实时捕捉。本组共检测到33个肝脏病灶，良性病灶的T2值平均值和标准差为141.1±50.0ms，恶性病灶为63.3±16.0ms。肝脏、肾脏、胆囊、脾脏和骨骼肌的测试-复验实验的变异系数分别为2.9%、1.2%、0.9%、3.1%和1.8%。 

 图 a 来自TSE扫描的T2加权图像。 b-d 由（b）几何样本、（c）大脑样本和（d）腹部样本训练的网络的T2mapping结果。由于运动和采集策略的不同（如改变的不均匀场），MOLED扫描和TSE扫描的切片可能没有严格对齐

研究表明，MOLED已成功应用于腹部，实现了单次腹部T2 mapping成像方法，并首次实现了自由呼吸和动态腹部T2 mapping的绘制。通过数字模型、健康志愿者和病人的验证，证明了MOLED T2 mapping的可靠性和稳健性。

原始出处：

Xi Lin,Lixing Dai,Qinqin Yang,et al.Free-breathing and instantaneous abdominal T2 mapping via single-shot multiple overlapping-echo acquisition and deep learning reconstruction.DOI:10.1007/s00330-023-09417-2