基于MRI的非迭代、考虑不确定性的肝脏脂肪估算方法，采用无监督深度学习技术

《Medical Journal Armed Forces India》：Non-iterative and uncertainty-aware MRI-based liver fat estimation using an unsupervised deep learning method

　　肝MRI中基于深度学习的PDFF估计方法及不确定性分析。AI-DEAL方法通过两个U-Net神经网络分别估计非线性变量R2*和相位场φ的均值及方差，结合加权最小二乘法计算水-脂肪信号及协方差矩阵，生成PDFF及其不确定性地图。实验表明该方法在肝ROI中PDFF偏差仅为0.25%-0.12%，优于现有DL模型，且不确定性地图能准确反映噪声、相位偏移等误差来源，在跨设备、跨协议场景中仍保持稳定。

　　在医学影像学中，肝脂肪含量的准确评估对于诊断和监测肝脏疾病具有重要意义。近年来，随着深度学习技术的发展，研究者们提出了多种基于深度学习的算法来估算肝质子密度脂肪分数（PDFF），这些方法旨在减少数据采集和后处理时间，同时保持较高的精度。然而，这些深度学习模型通常缺乏可解释性，且其泛化能力有限，这限制了它们在临床实践中的应用。

本文介绍了一种名为AI-DEAL（基于人工智能的水和脂肪分解方法，结合回波不对称和最小二乘法）的新方法，该方法不仅能够估算PDFF，还能生成与之相关的不确定性图。AI-DEAL通过一个单次MRI水-脂分离过程来实现这一目标，首先计算非线性干扰变量（R2*信号衰减和离频场），然后使用加权最小二乘法来估算水和脂肪单独的信号，以及其对应的协方差矩阵，从而推导出PDFF及其不确定性。

为了验证该方法的有效性，研究者们使用了体内肝CSE-MRI数据、脂肪-水幻象以及数值幻象进行测试。结果显示，AI-DEAL在两个肝感兴趣区域（ROI）中表现出0.25%和?0.12%的PDFF偏差，优于现有的深度学习方法。尽管AI-DEAL是在体内数据上训练的，但在脂肪-水幻象和数值幻象中，其PDFF偏差分别为?3.43%和?0.22%。在没有添加噪声的情况下，后者偏差保持相对稳定，而当噪声被引入时，偏差变化较小。此外，估算的不确定性与观察到的误差和每个ROI内的变化高度一致，表明其在评估PDFF图的可靠性方面具有潜在价值。

AI-DEAL的理论框架基于MRI信号模型，该模型将MR信号分解为水和脂肪成分，并考虑了非线性干扰变量。该方法通过物理原理和无监督训练相结合，实现了对不确定性图的估算。这种方法不需要参考结果，因为它使用了一种基于物理的损失函数进行训练。AI-DEAL由两个U-Net结构的神经网络组成，这些网络分别用于估算离频场和R2*信号的均值和方差，并且假设这些变量遵循正态分布。通过加权最小二乘法，AI-DEAL能够估算出水和脂肪的信号，以及它们的协方差矩阵，从而得到PDFF和其不确定性。

AI-DEAL的训练过程分为三个阶段：粗略拟合、拟合和微调。在粗略拟合阶段，使用信号模型中的非线性部分进行训练；在拟合阶段，使用CSE-MRI数据进行训练，考虑了Rician分布；在微调阶段，结合了所有训练数据。AI-DEAL的训练时间约为5小时，使用NVIDIA Quadro RTX 8000 GPU进行计算。

为了比较AI-DEAL与其他深度学习方法的性能，研究者们还实现了三种现有的PDFF量化方法：U-Net、MDWF-Net和VET-Net。这些方法在体内肝CSE-MRI数据上进行了训练。AI-DEAL在两个肝ROI中表现出的PDFF偏差分别为0.25%和?0.12%，而其他方法的偏差分别为?0.58%、?0.44%和0.54%。此外，AI-DEAL在脂肪-水幻象和数值幻象中也表现出良好的性能，其PDFF偏差分别为?3.43%和?0.22%。

研究者们还对AI-DEAL的不确定性图进行了分析，发现其与观察到的误差和ROI内的变化高度一致。在某些关键场景下，如肝脏穹顶和下腹部，AI-DEAL能够检测到PDFF偏差，并生成相应的不确定性图。这些结果表明，AI-DEAL在处理存在偏差的样本时具有一定的鲁棒性。

尽管AI-DEAL在多个实验中表现出色，但它仍有一些局限性。例如，在处理高R2*值的样本时，其性能可能不理想。此外，AI-DEAL假设神经网络的输出服从正态分布，这可能不适用于所有情况。未来的研究可以考虑使用更合适的分布来描述这些输出，或者采用非参数置信区间来提高模型的可靠性。

总的来说，AI-DEAL提供了一种新的方法来估算肝PDFF，同时生成相关的不确定性图。这种方法不仅提高了估算的准确性，还增强了模型的可解释性和鲁棒性。未来的工作可以进一步验证AI-DEAL在不同MRI扫描仪上的表现，并探索其在临床实践中的应用潜力。