实时深度学习图像重建与磁共振引导活检中的仪器跟踪

《JOURNAL OF MAGNETIC RESONANCE IMAGING》：Real-Time Deep-Learning Image Reconstruction and Instrument Tracking in MR-Guided Biopsies

　　基于深度学习的MRI图像重建与器械跟踪技术提升MRI引导前列腺活检效率

　　本研究探讨了一种利用深度学习技术加速磁共振引导下的经直肠活检（MRGB）图像重建与器械跟踪的方法，旨在解决当前MRGB技术在临床应用中的效率问题。MRGB作为一种精准的活检方式，能够实时确认针导器位置，帮助医生更准确地定位前列腺中的可疑病变区域，尤其适用于复杂病例。然而，该技术在实际应用中存在明显的局限性，主要体现在扫描时间较长、资源消耗大以及需要反复成像以验证针导器位置，这些因素限制了其在临床中的广泛应用。因此，提升MRGB的成像速度，同时保持器械跟踪的准确性，是推动该技术进一步发展的关键。

在传统的MRGB过程中，为了确保针导器位置的精确性，通常需要对每个位置进行多次成像，这不仅增加了患者的不适感，也延长了整个活检过程的时间。此外，成像过程中手动调整和图像重建的耗时进一步影响了临床流程的效率。为了解决这些问题，研究团队提出了一种基于深度学习的图像重建模型，该模型能够在较少的数据采集中仍能保持较高的跟踪精度。这一技术的突破，有望实现实时图像更新，从而减少扫描时间，提高整体操作效率，并可能降低医疗成本。

本研究采用了一种名为CRNN-MRI的卷积循环神经网络模型，用于动态MRI图像的重建。该模型在处理时空数据时表现出较高的效率和准确性，能够有效捕捉针导器在移动过程中的动态变化。研究团队使用了大量来自真实临床数据的多层MRI图像进行模型训练，并在真实采集的k空间数据上进行了验证。为了确保模型的鲁棒性，研究还测试了不同程度的欠采样情况，观察其对跟踪性能的影响。

研究结果显示，在8×欠采样时，CRNN-MRI模型的针导器跟踪成功率达到了97.5%±5.8%，与零填充重建（一种传统但不精确的欠采样方法）的性能相近。随着欠采样率的增加，模型在10×和12×时仍能保持较高的成功率，分别为98.4%±3.6%和97.9%±4.6%。然而，当欠采样率达到14×时，成功率有所下降，仅为83.0%±24.7%。到了16×欠采样，模型的跟踪性能略有回升，达到了92.5%±10.3%。相比之下，零填充重建在12×及以上的欠采样率下表现明显恶化，成功率降至60.4%±39.2%。在18×和20×欠采样时，CRNN-MRI模型的跟踪成功率进一步下降，分别为74.6%±33.6%和60.9%±24.0%。这些数据表明，CRNN-MRI模型在一定程度上能够维持跟踪精度，即使在较高的欠采样率下，其性能也优于传统的零填充方法。

为了评估模型的性能，研究团队使用了仪器尖端预测（ITP）误差作为主要指标。ITP误差被定义为预测位置与参考位置之间的欧几里得距离，以毫米为单位。如果预测误差小于5毫米，则视为成功，否则视为失败。在201个完全采样的扫描中，模型的平均ITP误差为1.55±1.01毫米，且95%置信区间（CI）为1.41–1.69毫米，表明模型在正常采样条件下具有较高的精度。随着欠采样率的增加，模型在16×时仍能保持大部分帧的预测误差在5毫米以内，显示出其在高加速条件下的稳定性。

研究中还使用了主成分分析（PCA）方法来估计针导器的尖端位置。通过对分割后的图像进行PCA处理，研究团队能够准确地确定针导器的主轴方向，并据此计算出每帧的预测位置。这种方法不仅提高了分割的准确性，还增强了模型对针导器运动轨迹的跟踪能力。此外，研究团队在模型训练过程中引入了数据增强技术，包括随机翻转、旋转以及添加Rician噪声，以更好地模拟真实的MRI成像条件，提高模型的泛化能力。

本研究的实验设计充分考虑了临床可行性，采用了前瞻性数据集，确保了结果的真实性和可靠性。研究团队共招募了8名男性患者，年龄范围为59–78岁，中位年龄为65岁。这些患者在进行MRGB活检时，使用了手动瞄准装置或远程控制机械系统。通过对这些患者的动态k空间数据进行分析，研究团队验证了CRNN-MRI模型在不同欠采样条件下的性能表现。实验结果显示，模型在16×欠采样时仍能保持较高的跟踪成功率，而零填充方法则在12×时已无法满足临床需求。

尽管研究取得了显著成果，但也存在一些局限性。首先，数据集的样本量相对较小，且仅限于前列腺活检的特定应用场景，这可能影响模型在其他解剖结构或活检方式中的适用性。其次，研究仅使用了2D笛卡尔平衡稳态自由进动（bSSFP）序列，而其他序列如径向或堆叠星形采集可能在应对运动和欠采样伪影方面更具优势。此外，研究团队仅评估了一种特定的图像重建模型架构，未来可能需要探索其他模型或训练策略以进一步优化性能。最后，实验是在单一中心和单一设备厂商的系统上进行的，这限制了研究结果的广泛适用性。

未来的研究方向包括在真实临床环境中进行前瞻性测试，以验证该技术在不同解剖部位和活检器械上的适用性。同时，研究团队计划在更多中心和操作者之间进行验证，以评估模型的泛化能力和鲁棒性。如果该框架能够通过进一步的测试和验证，将其集成到临床工作流程中，将有助于实现技术上的突破，并转化为实际的临床效益。

总的来说，本研究通过引入深度学习技术，成功提升了MRGB活检的成像速度和跟踪精度，为该技术在临床中的广泛应用提供了有力支持。研究结果表明，CRNN-MRI模型在16×欠采样条件下仍能保持较高的跟踪成功率，这为实现实时图像更新和缩短整体活检时间提供了新的可能性。尽管存在一些局限性，但这些成果为未来的临床研究和技术创新奠定了坚实的基础。通过进一步优化模型和扩大数据集，有望将该技术推广到更广泛的临床场景中，提高前列腺活检的效率和准确性，从而改善患者的诊疗体验和临床预后。