[论文解读] CEST MR fingerprinting (CEST-MRF) for Brain Tumor Quantification Using EPI Readout and Deep Learning Reconstruction

Ouri Cohen, Victoria Yu+5 more|arXiv (Cornell University)|Aug 18, 2021

Advanced MRI Techniques and Applications参考文献 39被引用 4

一句话总结

本研究提出一种临床适用的CEST-MRI指纹成像方法，采用EPI读出与深度学习重建（DRONE）技术，可在2分钟内快速、准确地量化脑肿瘤。该方法具有高度可重复性（CCC ≥ 0.98），并能检测到肿瘤区域与对侧正常组织之间显著的CEST参数差异，展现出非侵入性肿瘤表征的临床潜力。

ABSTRACT

$ extbf{Purpose}$: To develop a clinical CEST MR fingerprinting (CEST-MRF) method for brain tumor quantification using EPI acquisition and deep learning reconstruction. $ extbf{Methods}$: A CEST-MRF pulse sequence originally designed for animal imaging was modified to conform to hardware limits on clinical scanners while keeping scan time $\leq$ 2 minutes. Quantitative MRF reconstruction was performed using a deep reconstruction network (DRONE) to yield the water relaxation and chemical exchange parameters. The feasibility of the 6 parameter DRONE reconstruction was tested in simulations in a digital brain phantom. A healthy subject was scanned with the CEST-MRF sequence, conventional MRF and CEST sequences for comparison. Reproducibility was assessed via test-retest experiments and the concordance correlation coefficient (CCC) calculated for white matter (WM) and grey matter (GM). The clinical utility of CEST-MRF was demonstrated in 4 patients with brain metastases in comparison to standard clinical imaging sequences. Tumors were segmented into edema, solid core and necrotic core regions and the CEST-MRF values compared to the contra-lateral side. $ extbf{Results}$: The DRONE reconstruction of the digital phantom yielded a normalized RMS error of $\leq$ 7% for all parameters. The CEST-MRF parameters were in good agreement with those from conventional MRF and CEST sequences and previous studies. The mean CCC for all 6 parameters was 0.98$\pm$0.01 in WM and 0.98$\pm$0.02 in GM. The CEST-MRF values in nearly all tumor regions were significantly different (P=0.05) from each other and the contra-lateral side. $ extbf{Conclusion}$: Combination of EPI readout and deep learning reconstruction enabled fast, accurate and reproducible CEST-MRF in brain tumors.

研究动机与目标

• 开发一种与标准磁共振扫描仪兼容的临床可行CEST-MRI指纹成像方法。
• 在保持诊断准确性的前提下，利用EPI读出实现快速扫描。
• 通过深度学习网络（DRONE）提升重建的准确性和速度。
• 在脑瘤患者中验证该方法的可重复性与临床实用性。
• 将CEST-MRF参数与传统MRF及CEST序列的结果进行比较，以验证一致性。

提出的方法

• 对原有针对动物研究的CEST-MRF脉冲序列进行改进，以符合临床扫描仪的硬件限制。
• 采用回波平面成像（EPI）实现快速k空间采样，确保扫描时间≤2分钟。
• 应用DRONE深度学习重建网络，重建六个定量参数：T1、T2、CEST及三个交换速率。
• 利用模拟组织特性的数字脑体模验证重建流程的准确性。
• 在健康受试者中开展重复扫描实验，使用组内一致性相关系数（CCC）评估可重复性。
• 在四名脑转移瘤患者中进行临床扫描，将肿瘤区域分割为水肿区、实性核心与坏死核心，以进行区域分析。

实验结果

研究问题

• RQ1 CEST-MRF能否适配于硬件能力有限的标准磁共振扫描仪并实现临床应用？
• RQ2 基于EPI的采集方式是否能在不损害准确性的前提下实现2分钟以内的扫描时间？
• RQ3 深度学习重建（DRONE）能否从欠采样数据中高保真地恢复六个定量参数？
• RQ4 在健康脑组织中，CEST-MRF参数在重复扫描中的可重复性如何？
• RQ5 肿瘤区域的CEST-MRF值是否与对侧正常外观组织存在显著差异？

主要发现

• 在数字脑体模中，DRONE重建对所有六个参数的归一化均方根误差≤7%，证实了高精度的重建性能。
• CEST-MRF参数与传统MRF及CEST序列的结果高度一致，验证了方法的一致性。
• 重复扫描的可重复性表现优异，白质区域的平均CCC为0.98 ± 0.01，灰质区域为0.98 ± 0.02。
• 在所有四名患者中，肿瘤区域（包括水肿区、实性核心与坏死核心）的CEST-MRF值与对侧区域相比均存在显著差异（p = 0.05）。
• 该方法成功区分了肿瘤的亚区，显示出对脑转移瘤微环境变化的高度敏感性。
• EPI读出与DRONE重建的结合实现了快速、准确且可重复的定量分析，适用于临床脑肿瘤评估。