陈棣成1,#, 林美金2,#, 刘慧婷1,李嘉钰1,周毅荣1, 康泰山3,林良杰4,武志刚4,王家正4,李敬5,林建忠3, 陈希6,郭迪7,屈小波1,*
1 电子科学系, 电子科学与技术学院, 厦门大学, 厦门.
2 应用海洋与工程系, 海洋与地球学院, 厦门大学, 厦门.
3 放射科, 厦门大学附属中山医院, 厦门.
4 飞利浦医疗, 北京.
5 鑫高益医疗器械有限公司, 余姚市.
6 麦克莱恩医院, 哈佛医学院, 贝尔蒙特, 美国.
7 厦门理工大学计算机与信息工程学院, 厦门理工学院, 厦门.
# 共同第一作者.
* Email: quxiaobo <at> xmu.edu.cn
引用
D. Chen, M. Lin, H. Liu, J. Li, Y. Zhou, T. Kang, L. Lin, Z. Wu, J. Wang, J. Li, J. Lin, X. Chen, D. Guo and X. Qu, Magnetic resonance spectroscopy quantification aided by deep estimations of imperfection factors and overall macromolecular signal , IEEE Transactions on Biomedical Engineering, 10.1109/TBME.2024.3354123, 2024.
概要
磁共振波谱（Magnetic Resonance Spectroscopy, MRS）是一种重要的活体生物医学检测手段。MRS 的信号特点及非理想的采集条件，导致其量化分析存在以下挑战[1]：（1）体内种类繁多的代谢物及有限的分辨率导致谱峰重叠严重；（2）MRS的信噪比受限于代谢物低浓度、体素大小及磁场不均匀；（3）大分子、脂质及残留水峰产生的背景基线干扰；（4）受试者的生理运动及其他非理想的实验条件带来的信号失真。现有的量化方法主要基于代谢物基集拟合策略，但其量化精度受限于数据的低信噪比[2]。近年来深度学习在磁共振领域取得了重大的发展，但目前深度学习在MRS量化分析中的研究并不广泛，大部分都是端到端直接预测量化浓度值，泛化能力有待商榷。
主要内容
MRS量化分析问题本质上是在对信号模型进行参数估计以实现波谱的拟合。本工作旨在利用前沿的神经网络优越的非线性学习能力[3-5]，预测复杂多样的MRS非理想失真因子（Imperfection Factors, IFs）和背景大分子信号（MacroMolecules，MM），并引入物理演化模型basis-set进行线性最小二乘（Linear Least Squares, LLS）求解最终的量化结果（如图1所示）。该方法（QNet）提供了一种智能、可靠、稳健的MRS定量方法。实验结果表明，在20份健康活体脑部MRS数据中（3T，TE=35 ms），所提方法与行业主流的“金标准”LCModel[6]在高信噪比场景下，量化结果上表现出较高的一致性。在不同信噪比的仿真和实测数据测试中，所提方法的相对量化误差更低（小于10%），并呈现出更加稳定的量化结果。
同时，该智能定量方法已部署到计算感知实验室云脑平台CloudBrain[7]（见图2），可免费使用，详情可扫描图2右上方二维码或下方资源链接。目前，中国人民解放军联勤部队909医院、复旦大学附属中山医院 (厦门) 、厦门大学附属第一医院、山东省立医院等，已投入临床科研使用。
更多本研究的细节请查阅全文：
全文链接：https://doi.org/10.1109/TBME.2024.3354123
预印本链接：https://arxiv.org/abs/2306.09681
图1. 基于物理演化模型basis-set的智能量化方法QNet示意图。（a）仿真磁共振波谱合成过程，(b)深度学习部分，分别IFs提取模块和整体MM信号预测模块，(c) LLS部分，利用(b)的估计结果通过LLS预测最终的代谢物浓度，(d)调制基集 的实部和预测大分子信号 求和得到最终的拟合波谱。 是QNet的最终输出之一，受(b)中网络预测的IFs和(c)中LLS估计的浓度调制。
图2. 人脑代谢物磁共振波谱智能量化方法QNet示例。(a) 17种主要的人脑代谢物量化结果与拟合分析，(b)和(c)为每个代谢物的量化拟合展示。更多统计分析功能，请扫描右上方二维码或下方资源链接进入CloudBrain云脑平台免费使用。
资源
CloudBrian-MRS link:https://csrc.xmu.edu.cn/CloudBrain.html
致谢
该工作受到了受到国家优青等重要项目支持，得到了国家自然科学基金(62122064, 61971361, 62331021, 62371410)，福建省自然科学基金(2023J02005和2021J011184)，国家重点研发计划(2023YFF0714200)，厦门大学校长基金(20720220063)和厦门大学南强拔尖人才计划资助。
参考文献
[1] R. Graaf, "In vivo NMR spectroscopy: Principles and techniques" Wiley-Blackwell, book, 2019.
[2] M. Marjańska et al., "Results and interpretation of a fitting challenge for MR spectroscopy set up by the MRS study group of ISMRM," Magn. Reson. Med., vol. 87, no. 1, pp. 11-32, 2022.
[3] Q. Yang et al., "Physics-driven synthetic data learning for biomedical magnetic resonance: The imaging physics-based data synthesis paradigm for artificial intelligence," IEEE Signal Process Mag., vol. 40, no. 2, pp. 129-140, 2023.
[4] F. Lam et al., "High-dimensional MR spatiospectral imaging by integrating physics-based modeling and data-driven machine learning: Current progress and future directions," IEEE Signal Process Mag., vol. 40, no. 2, pp. 101-115, 2023.
[5] D. Chen et al., "Magnetic resonance spectroscopy deep learning denoising using few in vivo data," IEEE Trans. Comput. Imaging, vol. 9, pp. 448-458, 2023.
[6] S. W. Provencher, "Estimation of metabolite concentrations from localized in vivo proton NMR spectra," Magn. Reson. Med., vol. 30, no. 6, pp. 672-679, 1993.
[7] X. Chen et al., “Cloud Brain-MRS: An intelligent cloud computing platform for in vivo magnetic resonance spectroscopy preprocessing, quantification, and analysis,” J. Magn. Reson., vol. 254, p. 107601, 2024.