方法文章

三维相位分辨功能性肺磁共振成像

DOI：

10.3791/66385

⸱

2024年6月21日

 ,  ,  , 
1Institute of Diagnostic and Interventional Radiology, Hannover Medical School, 2Biomedical Research in Endstage and Obstructive Lung Disease Hannover (BREATH), Member of the German Centre for Lung Research (DZL)

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

三维 （3D） 相位分辨功能肺 （PREFUL） 是一种功能性磁共振成像 （MRI） 技术，允许使用潮气呼吸和无造影剂采集 8 分钟来量化整个人体肺容积的区域通气。在这里，我们提出了一种 MR 协议来收集和分析 3D PREFUL 成像数据。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

肺磁共振成像 （MRI） 提供了多种无辐射技术，专门用于评估区域肺通气或其替代指标。这些技术包括直接测量，以超极化气体 MRI 和氟化气体 MRI 为例，以及由氧增强 MRI 和基于质子的傅里叶分解 （FD） MRI 促进的间接测量。近年来，FD MRI 领域取得了重大进展，包括提高空间/时间分辨率、改进序列设计和后处理以及开发全面的全肺方法。

二维 （2D） 相位分辨功能肺 （PREFUL） MRI 是一种基于 FD 的方法，专为全面评估区域通气和灌注动力学而开发，所有这些都在一次 MR 采集中完成。最近，随着 3D PREFUL 的开发取得了新的进展，它使用具有自门控序列的 8 分钟检查来评估整个肺的动态通气。

3D PREFUL 采集涉及采用具有黄金角度增量的星堆破坏梯度回波序列。在对大约 40 个呼吸阶段进行压缩传感图像重建后，所有重建的呼吸分辨图像都被配准到一个固定的呼吸阶段。随后，从注册图像中提取通风参数。

在由健康志愿者和慢性阻塞性肺病患者组成的研究队列中，3D PREFUL 通气参数与肺功能测试获得的测量值表现出很强的相关性。此外，3D PREFUL 技术的扫描间可重复性被认为是可以接受的，表明它对同一个体的重复评估是可靠的。

总之，与 2D 相比，3D PREFUL 通气 MRI 可提供整个肺部覆盖，并以更高的空间分辨率捕捉通气动力学PREFUL. 3D PREFUL 技术为超极化 129Xe MRI 提供了一种经济高效的替代方案，使其成为对患者友好型肺通气评估的有吸引力的选择。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

根据世界卫生组织 （WHO） 的数据，慢性呼吸系统疾病是第三大死亡原因，给医疗保健带来了沉重的负担1。几种呼吸系统的疾病的诊断和监测涉及肺功能测试，这些测试缺乏空间信息，在年轻患者中可能不可行。多种其他核医学方式提供通气的空间测量，例如正电子发射断层扫描 （PET）2、单光子发射计算机断层扫描 （SPECT）3 或计算机断层扫描4。这些技术的一个显着缺点是使用电离辐射进行成像。因此，这些测量在儿童等敏感人群中不可行，也不适用于临床研究中的重复测量。

磁共振成像方法在过去二十年中引起了人们的兴趣，因为它们提供了无辐射的肺功能测量。最重要的是，超极化气体 MRI 技术5 已被用于评估健康对照和肺部疾病患者的肺通气，同时与 19F6 或氧增强 MRI7 相比，实现了卓越的信噪比 （SNR）。气体 MRI 技术的常见缺点包括需要额外的人员、硬件成本或在呼气压测量期间需要患者合作。为了解决这些限制，引入了基于傅里叶分解 （FD） MRI8 的方法来评估肺通气和灌注。作为 FD MRI 的替代方案，开发了相位分辨功能肺 （PREFUL） MRI9，验证10，11，12，并在包括多中心研究在内的多项研究中进行了测试13，14.然而，2D 采集会导致采集时间长，无法完全覆盖肺和有限的空间分辨率。自选通 3D 采集提供了一个优雅的解决方案，尽管以牺牲灌注信息为代价15，16，17。其中一种技术，3D PREFUL MRI17，已被开发用于评估静态通气，以及用于评估 8 分钟 MR 检查期间的通气动力学，与 2D 方法相比，可提供卓越的图像分辨率。

根据描述该方法的原始出版物17，该技术的可重复性已经过评估，并与临床上公认的肺活量测量18进行了比较，最近，引入了加速图像配准框架，同时提高了通气参数的可重复性并保持通气图的图像质量19.这种对患者友好且易于扩展的技术能够定量绘制人体肺部的区域通气图，有可能为早期检测、诊断呼吸系统疾病或治疗效果的后续监测做出重大贡献20。这些区域肺功能的治疗变化，例如通气量的改善，有可能成为评估治疗效果的生物标志物，并可能成为多中心临床研究的有用工具。

本文旨在对 3D PREFUL 技术进行全面、直观的解释，以促进该技术的更广泛翻译。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

这项研究获得了汉诺威医学院伦理委员会的批准，确保其在整个研究过程中遵守严格的伦理标准。调查严格遵循《赫尔辛基宣言》中概述的指导方针，强调医学研究的道德行为。此外，在参与 MRI 检查之前，所有研究参与者（或其父母或法定监护人）都认真获得了知情同意。

注意：涉及 3D PREFUL MRI 的研究的纳入/排除标准各不相同，具体取决于研究设计。通常，3D PREFUL MRI 检查中健康志愿者的纳入标准涉及以下个体：（a） 没有任何可能影响研究结果的重大医疗状况，（b） 没有服用任何可能干扰 MRI 结果的药物，（c） 没有幽闭恐惧症、焦虑症、金属植入物或装置，（d） 满足与研究目标相关的特定年龄和性别标准， （e） 没有吸烟史，（f） 肺活量测定结果正常（FEV1/FVC > 0.7，FEV1 和 FVC 均>预测值的 80%）。所有接受 3D PREFUL MRI 检查的研究参与者的排除标准可能包括：（a） 怀孕，（b） 有任何可能危及 3D PREFUL MRI 检查安全性或有效性的情况，（c） 当动态对比增强 MRI 包含在研究方案中时，对基于钆的造影剂不耐受。

1. MRI 前访谈

  1. 让医生收集有关受试者病史的重要信息。
  2. 解释潜在的禁忌症、风险和 MRI 程序。
  3. 获得受试者的书面知情同意。
    注意：如果没有肺功能测试结果，请要求受试者在 MRI 检查前进行肺功能测试，并验证获得的结果是否符合纳入标准。

2. 放射技师为 MR 考试做准备

  1. 在 MR 控制台中注册受试者，并使用 3D PREFUL 采集选择研究的 MR 方案。
  2. 验证拍摄对象、他或她的口袋和衣服上没有含金属的碎片。
  3. 将纸张放在扫描仪台上，以保证无菌环境。
  4. 进入包含主题的 MR 房间。

3. 准备 MR 考试科目

  1. 让受试者仰卧在 MRI 台上（但是，也可以俯卧位）。
  2. 确保躯干线圈充分覆盖胸部，将躯干线圈的顶部元件放在受试者的下巴附近。
  3. 为受试者提供耳机（或者耳塞或两者兼而有之），以保护听力免受 MRI 引起的响亮噪音的影响。
  4. 为受试者提供一个安全按钮（或备用安全机制），以便可以轻松访问和挤压它。
    5. 在
  5. 受试者的头部和腿部下方放置一个垫子，以提高 MR 检查期间的舒适度。
  6. 将拍摄对象放入 MR 扫描仪中，使用激光导航确保成像区域占据孔的等中心。

4. MRI 检查

  1. 定位器
    1. 执行定位器序列（使用与表 1A 中列出的参数类似的参数）以获得三个平面（具有大视野）的低分辨率解剖图像，这些图像将用于规划 3D PREFUL 检查。
  2. 3D PREFUL 成像
    1. 根据表 1B 设置采集参数以进行成像采集。
    2. 相应地设置径向投影的数量，以便采集大约需要 8 分钟。
    3. 告诉受试者在整个采集过程中正常呼吸（无潮气呼吸）。
    4. 检查整个胸部是否包含在视野中，然后开始采集。
  3. 成像完成后，从扫描仪中取出拍摄对象。

5. 原始数据传输

  1. 通常，获取的原始数据不会保存在 MR 供应商平台上。使用 MR 控制台上的供应商特定步骤保存原始 3D PREFUL kspace 数据。

6. 数据分析和后处理

    在
  1. 指定的工作站（例如，在 MATLAB 中）使用图像重建脚本（材料表）开始评估采集的数据，方法是设置原始数据的路径。
    注意：指定的工作站应该已经安装了以下软件包：
    （a） 伯克利高级重建工具箱 （BART）
    （b） 高级归一化工具 （ANT）
  2. 图像重建
    1. 使用在 Berkeley advanced reconstruction toolbox （BART<sup class="xref">21，22 中实现的带有 estdelay 函数的校准投影来估计 MR 系统相关的梯度延迟。
    2. 根据计算出的渐变延迟，对每个投影应用偏移。
    3. 使用 x-y 平面和 z 方向的周期性窗口，将 Hanning 滤波（使用 MATLAB 中的 hann 函数）应用于梯度延迟校正数据。
    4. 用于呼吸分箱的低分辨率图像重建
      1. 选择以读出/分区维度的中间索引为中心的 k-space 数据的 1-8/1/4.
        注意：根据主题的大小，此步骤产生的矩阵大小为 32 x 32 x （12-20）。
      2. 重塑 k 空间数据和相应轨迹的矩阵，以包含额外的时间维度，每个时间点包含 14 个径向投影。
        注意：每个后续时间点包括来自前一个时间点的 13 个径向投影以及 1 个新的连续径向投影。
      3. 利用 BART 中实现的并行成像和压缩传感 （pics） 命令进行图像重建。
        注意：在空间域中应用 L2 范数 （λ = 0.1） 和总变分 （λ = 0.0001） 正则化，在时域中应用总变分 （λ = 0.01） 正则化。
    5. 提取呼吸门控信号
      1. 使用 Otsu 的阈值23 分割每个重建的低分辨率 3D 图像中的肺实质，并计算每个时间点的肺实质体积。
      2. 将截止频率为 0.7 Hz 的低通滤波器应用于提取的体积时间序列，并计算呼吸频率。
      3. 从时间序列中排除极端异常值（高于第 95个百分位数和低于第 10 个百分位数的时间点）。
        注意：按它们的振幅和相位排列时间序列可以重建单个呼吸周期。
    6. 沿切片方向对 Hanning 滤波数据执行快速傅里叶变换（FFT，MATLAB 中的 fft 函数），以实现逐切片图像重建。
    7. 根据提取的时间序列重塑 k 空间数据矩阵，以便每个呼吸箱至少包含 100 个辐条。
    8. 利用来自相邻 bin 的 20% 的投影来增强每个呼吸 bin 的 SNR24，25。
    9. 重塑 k-space 轨迹矩阵以匹配 k-space 数据的大小。
    10. 执行 pics 命令为每个切片重建图像。
      注意：在空间域中应用 L2 范数 （λ = 0.1） 和总变分 （λ = 0.0001） 正则化，在时域中应用总变分 （λ = 0.01） 正则化。
    11. 将变量（包括一个完整呼吸周期、呼吸频率和采集时间的重建图像）保存在 .mat 文件中。
  3. 图像配准
    1. 反转重建图像的信号强度。
    2. 使用非刚性配准将图像配准到选定的呼吸状态，例如吸气。
      注意：为了提高对准准确性，可以采用面向组的方法26。可以使用高级规范化工具 （ANT）27 或 Forsberg 注册包28 等工具在 CPU 或 GPU 上执行注册过程。
  4. 肺实质分割
    1. 使用卷积神经元网络分割吸气末 3D 图像的肺实质，例如 nnUnet architecture29。
    2. 使用血管识别算法排除肺血管，例如 Wernz 等人描述的算法30.
      注意：如果您无法使用此类算法，则肺血管识别步骤不是必需的。在某些情况下，可能需要手动重新分割。
  5. 滤波
    1. 将 Nadaraya-Watson 核回归（σ = 0.3）应用于配准和反转的图像，以将 16 个相位插值到均匀间隔的时间网格上。
    2. 通过在时域中对插值数据应用 0.7 Hz 的低通滤波器来消除与呼吸无关的信号变化。
    3. 使用图像引导过滤31 对低通过滤图像进行去噪处理，并将时间平均的套准图像用作引导图像。设置以下参数：窗口大小 = [5， 5， 5]，lambda = 0.001。
  6. 通风分析
    1. 使用以下公式计算每个呼吸阶段 N 的区域通气 （RVent） 图，以毫升/毫升 （mL/mL） 为单位32：
      figure-protocol-1 [1]
      注：SInsp 表示图像配准的目标图像，对应于吸气末水平。SExp 是指呼气末图像，而 SN 代表第 N 次呼吸状态。
    2. 计算第 8 阶段 RVent 图的通风缺陷 （VDRVent） 图，它代表最大通风<量。 注意：要计算 VD，低于第 90个百分位值阈值的体素乘以系数 0.4 将被视为缺陷33。
    3. 计算流量-体积-环相关指标 （FVL-CM） 图。
      1. 将流量计算为 RVent.
        的一阶导数 注意：体积由 RVent 直接测量。
      2. 为每个切片建立一个参考 FVL，该区域由第 75个百分位数和第 95个百分位数之间的 RVent 值定义的健康区域计算得出。
      3. 使用零滞后的互相关确定每个肺实质体素的 FVL 与参考 FVL 之间的相似性。
    4. 计算 VDFVL-CM 地图，其中 FVL-CM 值低于 0.9 的体素被标识为具有通气缺陷的体素34。
    5. 以呼吸周期的百分比 （%） 计算通气达峰时间 （VTTP） 图><。 注意：从理论上讲，插值呼吸周期在呼气高峰期开始/结束，并且与健康体素通气周期 50% 处的峰值吸气量对称。对于经历高级/延迟通气动力学的体素，VTTP 地图将显示低于/高于 50% 的值。
    6. 计算 VTTP 值 （VTTPDev） 与 50% 峰值灵感的偏差，如下所示：
      figure-protocol-2 [2]
      注意：对于运行状况良好的区域，VTTPDev 应接近 0%。
    7. 统计学
      1. 统计描述所有切片的参数 RVent、FVL-CM、VTTP 和 VTTPDev，提供中位数、平均值、标准差值和四分位数范围。
      2. 计算从生成的 VD 图中得出的通风缺陷百分比值。
      3. 将所有计算参数导出到电子表格文件（请参阅表 3 中提供的示例）。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

最简单的 3D PREFUL 成像协议包括两个序列。一个解剖定位器 + 一个使用黄金角度 3D 星堆采集的自由呼吸测量。星堆轨迹显示在 图 1 中。此轨迹将径向采样 （平面内） 与线性笛卡尔采样 （在 z 方向） 相结合。最初，获取 kz 分区方向的样本，然后旋转黄金角以对 kx-k y 平面进行采样。黄金角度采集方案促进了 k 空间的均匀覆盖的自门控，促进了对严重欠采样数据的图像重建。整个考试时间不超过 10 分钟。有关收购 3D PREFUL 的更多详细信息，请参阅材料表。

figure-results-1
图 1：黄金比例旋转的星星轨迹堆栈。请注意沿平面内维度 （kx-ky） 应用的径向采样和沿切片方向 （kz） 应用的笛卡尔采样。此方案导致获得的 k 空间的圆柱形覆盖。在此示例中，描述了三个分区，包括每个分区 32 个径向投影。请点击这里查看此图的较大版本。

表 1B 列出了用于 1.5 T 扫描仪 3D PREFUL 成像的典型 MRI 参数列表。对于 3T 扫描仪，提出了表 2 中列出的序列参数。

数据采集和数据传输完成后，开始图像重建部分。此步骤由属于公司 （BioVisioneers GmbH） 知识产权 （IP） 的 MATLAB 代码完成，不能公开共享。提供原始数据的路径后，该脚本将完全自动化。重建过程的示意图概述图 2 中描述。

figure-results-2
图 2：3D 相位分辨功能肺 （PREFUL） MRI 方法的示意图概述。首先，使用长达 8 分钟的自由呼吸 MR 采集和星堆轨迹获取数据。将数据从 MR 扫描仪传输到计算单元后，重建时间分辨率约为 100 ms 的低分辨率 3D 图像。分割每个图像的肺实质，并计算肺体积。肺容量信息进一步用作门控信号。根据门控信号的振幅和相位，径向投影被分类到覆盖一个呼吸周期的呼吸箱中。像素合并部分之后是全分辨率图像的动态重建，随后记录到吸气末水平。经过几个后处理步骤后，计算区域通风 （RVent） 循环，并执行图像分析部分，包括参数提取。RVent 循环是通过计算每个体素的流量-体积环 （FVL） 来评估的。FVL-CM 通气图是通过根据健康参考 FVL 评估每个体素 FVL 来提取的，并使用互相关指标评估相似性。对于 RVent 和 FVL-CM，量化了总体总通气缺陷百分比 （VDP） 值。此外，通过峰值时间分析分析 RVent 循环的动力学，从而得到通风峰值时间 （VTTP） 参数图。此外，在 VTTPDev 图中量化了 RVent 周期 50% 时预期峰值通风的偏差。请点击这里查看此图的较大版本。

在图像重建过程之后，所有图像在空间上都对齐到一个固定状态。注册本身是使用高级规范化工具 （ANTS27） 或 Forsberg 注册包28 在 CPU 上执行的。虽然 ANT 软件包仍然是 MRI 和 CT 成像中图像配准任务的黄金标准，但 Forsberg 配准有助于将配准过程提高 10 倍，最长可达 9 分钟，结果相当19。可以根据用户优先级和可用计算单位选择注册包。配准完成后，配准的形态学图像再次反转，使肺在灰度图像中显得暗淡。

在 图 3 中，描绘了管道的下一步，涉及肺实质分割。首先，使用具有 nnUnet architecture29 的卷积神经元网络从吸气末图像中分割肺实质。肺实质分割之后是血管识别30，它被排除在最终分割掩码之外。

figure-results-3
图 3：一名 32 岁男性受试者基于深度学习的分割示例结果。顶行显示 8 个代表性冠状切片的形态学图像。在第二行和第三行中，可以分别观察到相应的肺实质面膜和排除血管的最终面膜。请点击这里查看此图的较大版本。

图 4 中描述了肺实质分割不正确的示例。必须目视检查基于深度学习的分割，如果认为不满意，应考虑手动校正以提高最终肺实质掩码的准确性。

figure-results-4
图 4：一名 57 岁男性受试者基于深度学习的错误分割的示例结果。顶行显示 8 个代表性冠状切片的形态学图像。在第二行和第三行中，可以分别观察到相应的肺实质面膜和排除血管的最终面膜。很明显，几个纤维化区域被错误地识别为血管或非肺结构。这些不准确之处已手动更正，如第四行所示。请点击这里查看此图的较大版本。

在方案中概述的几个过滤步骤之后，calculated. 3D通气替代物 PREFUL MRI 生成静态区域通气 （RVent）、动态流量-体积相关指标 （FVL-CM） 和基于通气峰值时间 （VTTP） 分析的两个参数的定量图，如 图 5 所示.该图显示了一名 32 岁健康男性的 8 个冠状切片。请注意所有通风参数的预期均匀分布。

figure-results-5
图 5：一名健康志愿者（32 岁男性）的 3D PREFUL MRI。健康志愿者（32 岁男性）的代表性形态学（顶行）和 3D PREFUL MRI 通气参数（第二行至第五行）图。静态区域通气由区域通气 （RVent） 表示，而通气动力学使用流量-体积环相关指标 （FVL-CM） 进行评估，通气峰值时间 （VTTP） 和 VTTP 偏差 （VTTPDev） 表示评估通气动力学的通气参数。正如预期的那样，所有通风参数图都观察到均匀的通风值。请点击这里查看此图的较大版本。

为了简化通风图，为 RVent 和 FVL-CM 导出了通风缺陷 （VD） 图，从而可以更快地解释结果。示例 VD 图显示在 图 6 中。对于 VDRVent 和 VDFVL-CM，VDP 值分别为 3.6% 和 3.0%，处于健康正常范围内。理想情况下，根据健康志愿者的年龄，VDP 值不应超过 10%。上述参数（RVent、FVL-CM 及其 VD 图谱）在几项研究中得到了验证11，12，35，36，并且对疾病的检测和治疗诱导的效果的检测20，34，37，38，39.

figure-results-6
图 6：代表性的 RVent 和 FVL-CM 图，包括它们的通气缺陷图。描绘了 RVent（顶行）和 FVL-CM（第二行）图，包括它们通过 3D PREFUL MRI 为健康志愿者（32 岁男性）得出的通气缺陷图（第三行和第四行）。在 VD 地图中，健康区域为绿色，通风不足区域为红色。请点击这里查看此图的较大版本。

已经报道了几项在 1.5 T 和 3 T 磁场强度下的肺部 MRI 研究。虽然由于信噪比 （SNR） 增加，理论上存在 3T 的优势，但这种优势可能会被 3T 时更明显的磁化率效应所抵消。磁场强度对 3D PREFUL 通气图图像质量的确切影响目前尚不清楚。在这里，我们展示了使用 3 T MR 扫描仪为健康志愿者 （35 岁男性） 获得的可行性结果 （图 7）。请注意，与 1.5T 相比，3 T 时通气参数的外观更加异质（图 5）。

figure-results-7
图 7：一名健康志愿者（35 岁男性）的 3D PREFUL MRI。健康志愿者（35 岁男性）在 3T 的代表性形态学（顶行）和 3D PREFUL MRI 通气参数（第二行至第五行）图。静态区域通气由区域通气 （RVent） 表示，而通气动力学使用流量-体积环相关指标 （FVL-CM） 进行评估，通气峰值时间 （VTTP） 和 VTTP 偏差 （VTTPDev） 表示评估通气动力学的通气参数。请点击这里查看此图的较大版本。

使用更直接的测量得出的 3D PREFUL 的比较/验证目前尚未发布。有几项研究报道了 2D PREFUL 技术与 129Xe11，12，14 和 19F MRI35 之间的通风缺陷空间重叠呈正相关。最近对慢性阻塞性肺病 （COPD）、哮喘患者和健康志愿者使用 19F MRI 的 3D PREFUL 衍生通气和直接通气测量进行了比较，结果显示，全球水平存在中度至强相关性40。介绍的是诊断为慢性阻塞性肺病的患者（54 岁女性，FEV1 = 42% 预测值）的示例比较 （图 8），该比较使用 3D PREFUL 和 19F 冲洗 MRI 进行检查。

figure-results-8
图 8：一名 54 岁女性 COPD 患者的 3D PREFUL MRI。通过 3D PREFUL MRI（第 2 行和第 3 行）和 19F MRI（第 4 行和第 5 行）获得的 54 岁女性 COPD 患者（FEV1 = 42% pred.，FVC = 102% pred.）的形态学图像（顶行）、通气参数和相应的通气缺陷图，以及两种方法的通气缺陷图的比较（最后一行）。总体而言，在所有切片中，缺陷区域的 Sørensen-Dice 系数为 25.5%，健康区域的 Sørensen-Dice 系数为 80.6%，导致总空间重叠为 69.2%。值得注意的是，健康区域和有缺陷区域的匹配通风区域之间存在视觉相关性（以深绿色表示）。请点击这里查看此图的较大版本。

3D PREFUL MRI 可用于测量区域对治疗的反应20。例如，图 9 显示了囊性纤维化受试者（43 岁女性）在基线（左侧，FEV1 = 94% 预测值）和 CFTR 调节剂治疗后（右侧，FEV1 = 112% 预测值）肺的三个切片的比较。由于这两个测量值在空间上是匹配的，因此 3D PREFUL 可以进行区域治疗反应分析，如 图 9 的底部所示。请注意流量-体积-回路相关指标值的增加以及治疗后通气缺陷的减少。

figure-results-9
图 9：一名 43 岁女性囊性纤维化 （CF） 患者的 3D PREFUL 测量值。 一名 43 岁女性 CF 患者的基线（左）和治疗后（右）3D PREFUL 测量值的示例性通气标志图。VDPFVL-CM 从 18.0% （基线） 降至 3.6% （治疗后）。FEV1 % pred. 基线：94%，FEV1 % pred. 治疗后：112%。LCI 基线：10.48，治疗后 LCI：9.39。相应的治疗反应图描绘在底部。请注意绿色区域，表示治疗后通气问题得到解决。请点击这里查看此图的较大版本。

表 1：用于 1.5T 扫描仪定位器和 3D PREFUL 采集的典型 MRI 参数列表。 （A） Localizer 和 （B） 3D PREFUL 采集。请点击这里下载此表格。

表 2：在 3T 扫描仪上进行 3D PREFUL 采集的拟议 MRI 参数。请点击这里下载此表格。

表 3：健康志愿者（35 岁男性）的 3D PREFUL 参数示例统计报告 请点击此处下载此表格。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

最关键的陷阱之一是收购本身。必须注意确保正确设置 MR 序列参数。重要的是，回波时间、重复时间、切片数量、矩阵大小和像素带宽是关键参数。偏离推荐设置可能会导致时间分辨率不足或采集时间延长。此外，数据传输对于确保数据完全传送到所选计算机或服务器进行评估也很重要。一旦设置了采集数据的路径，数据评估就会完全自动进行。后处理从图像重建开始，其中回顾性合并起着至关重要的作用。建议验证分箱信号，以确保清晰地描述呼吸模式。检查分箱信号后，无需执行其他步骤，因为算法本身通过排除异常值（高于第 95 个百分位数和低于第 10 个百分位数的数据点）来处理不良的呼吸模式。图像重建后，发生图像配准过程。此步骤应验证如下：注册的图像应没有呼吸和心脏运动。具体来说，横膈膜和心脏的位置应该被“冻结”。下一步涉及基于深度学习的肺实质和血管分割。对于整个 3D 肺容量来说，这种分割过程非常耗时;因此，使用基于人工智能的工具是有益的。然而，在某些情况下，例如外围整合的发生，这些算法可能无法产生准确的结果。因此，应彻底检查分割掩码，并在必要时手动校正。所有这些步骤对于评估通风参数都至关重要，并且可能会导致计算不准确。

自最初发布17 以来，3D PREFUL 技术已经取得了多项发展。采集的径向投影的排序算法已完全自动化和改进，因此使用 Otsu 阈值方法对整个肺进行分割，并用作将数据分箱为呼吸阶段的导航信号。此外，手动肺实质和血管分割已被基于深度学习的全自动算法所取代，以减少耗时的程序。此外，如果实施Forsberg配准工具箱，图像配准部分的处理时间可能会减少至10分钟19。与之前的发展一起，实施的代码能够共同配准两个时间点的图像（后续测量）并评估疾病的体素进展或治疗引起的通气变化20。当前版本的 Matlab 脚本不需要任何用户交互，并且可以在管道中实现，以便将来自动处理具有特定标志的数据。

3D PREFUL 的主要缺点是无法进行局部血流测量，因为在使用非选择性硬射频脉冲进行激发时无法捕获流入效应。其次，目前整个后处理（包括数据传输、图像重建、图像配准、通气分析）每个受试者需要2小时。第三，目前仅将 3D PREFUL 衍生的通气参数与更经过验证的技术进行了初步比较40。第四，在高性能计算机上对采集数据进行评估;因此，医生无法直接在控制台上获得结果。第五，缺乏对3D PREFUL在不同场强和不同扫描仪供应商上的可行性研究。

3D 相位分辨功能性肺 （PREFUL） MRI 可以定量绘制自由呼吸期间整个人肺的区域通气动态17。3D PREFUL有几种具有成本效益的替代方案，例如肺活量测定法或多次呼吸冲洗技术;然而，两者都缺乏空间信息并且需要呼吸作，因此对于幼儿或新生儿来说是不可行的。替代成像方法使患者暴露于电离辐射，例如核医学方法CT，或者尚未广泛使用（使用 MRI 进行超极化 129Xe 或 19F 气体成像）。3D PREFUL提供通气动态评估，可以使用标准临床扫描仪进行，并且不需要造影剂，因此将其转化为临床研究环境很有吸引力。事实上，3D PREFUL不需要使用放射或造影剂，并提供对患者友好的自由呼吸采集，这使得它非常适合定量评估区域对治疗反应的重复或纵向研究。其次，肺通气的 3D PREFUL 评估可能对应避免辐射暴露的幼儿特别有价值。

3D PREFUL能够生成人肺的功能性通气图像，具有早期诊断的潜力。具体来说，生成可重复和定量区域通气图的能力允许进行纵向研究，例如疾病进展或监测治疗效果。此外，有关通气动力学的区域信息可以对肺功能测试无法检测到的与肺部疾病相关的早期变化提供更高的敏感性。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Filip Klimeš、Andreas Voskrebenzev 和 Jens Vogel-Claussen 是 BioVisioneers GmbH 的股东，该公司对肺磁共振成像方法感兴趣。

致谢

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

这项工作由德国肺研究中心 （DZL） 资助。作者从与同事的多次有益讨论中受益，特别是与 Marcel Gutberlet、Agilo Kern、Lea Behrendt、Arnd Obert、Julian Glandorf、Till Kaireit、Tawfik Moher Alsady、Gesa Pöhler、Maximilian Zubke、Robin Müller、Marius Wernz、Cristian Crisosto、Milan Speth、Julienne Scheller 和 Sonja Lüdiger。作者感谢 Robert Grimm （Siemens Healthineers） 编写了 MR 成像序列，此外，作者还要感谢放射学系（汉诺威医学院）的 Frank Schröder 和 Sven Thiele 在进行 MRI 检查方面提供的出色技术帮助。

材料

本文使用的材料清单
姓名公司目录编号评论
ANTs开源医学影像分析研究社区图像配准工具箱
BART开源成像https://www.opensourceimaging.org/project/berkeley-advanced-reconstruction-toolbox-bart/图像重建工具箱
体圈Siemens / Philips / GE https://www.siemens-healthineers.com/en-us/magnetic-resonance-imaging/options-and-upgrades/coils至少 6 通道体线圈;Philips [https://www.usa.philips.com/healthcare/solutions/magnetic-resonance/coils-overview ]
Forsberg图像配准工具箱https://github.com/fordanic/image-registration图像配准工具箱
图像重建代码BioVisioneers GmbHwww.biovisioneers.com用于 MR 重建和分析的软件
MatlabMathworks软件
MRISiemens / Philips / GE https://www.siemens-healthineers.com/magnetic-resonance-imagingPhilips [https://www.philips.co.in/healthcare/solutions/magnetic-resonance]， GE [https://www.gehealthcare.com/products/magnetic-resonance-imaging];1.5 T / 3 T
序列Siemens / Philips / GEMRI 序列，具有星堆轨迹和黄金角度增量的 3D 梯度回波序列;1. Siemens Grasp-Vibe 序列 - https://t.ly/P31kM ， 2.飞利浦多叶片 XD 序列 https://t.ly/wMWZZ ， 3.GE Lava-Star、Disco-Star - https://t.ly/vimm2

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Chronic respiratory diseases. World Health Organization. , Available from: https://www.who.int/health-topics/chronic-respiratory-diseases#tab=tab_1 (2021).
  2. Musch, G., et al. Topographical distribution of pulmonary perfusion and ventilation, assessed by PET in supine and prone humans. J Appl Physiol. 93 (5), 1841-1851 (2002).
  3. Petersson, J., Sánchez-Crespo, A., Larsson, S. A., Mure, M. Physiological imaging of the lung: single-photon-emission computed tomography (SPECT). J Appl Physiol. 102 (1), 468-476 (2007).
  4. Mistry, N. N., et al. Evaluation of fractional regional ventilation using 4D-CT and effects of breathing maneuvers on ventilation. Int J Radiat Oncol Biol Phys. 87 (4), 825-831 (2013).
  5. Kirby, M., et al. Hyperpolarized 3 He and 129 Xe MR imaging in healthy volunteers and patients with chronic obstructive pulmonary disease. Radiology. 265 (2), 600-610 (2012).
  6. Kuethe, D. O., Caprihan, A., Fukushima, E., Waggoner, R. A. Imaging lungs using inert fluorinated gases. Magn Reson Med. 39 (1), 85-88 (1998).
  7. Ohno, Y., et al. Dynamic oxygen-enhanced MRI versus quantitative CT: Pulmonary functional loss assessment and clinical stage classification of smoking-related COPD. Am J Roentgenol. 190 (2), W93-W99 (2008).
  8. Bauman, G., et al. Non-contrast-enhanced perfusion and ventilation assessment of the human lung by means of fourier decomposition in proton MRI. Magn Reson Med. 62 (3), 656-664 (2009).
  9. Voskrebenzev, A., et al. Feasibility of quantitative regional ventilation and perfusion mapping with phase-resolved functional lung (PREFUL) MRI in healthy volunteers and COPD, CTEPH, and CF patients. Magn Reson Med. 79 (4), 2306-2314 (2018).
  10. Behrendt, L., et al. Validation of automated perfusion-weighted phase-resolved functional lung (PREFUL)-MRI in patients with pulmonary diseases. J Magn Reson Imaging. 52 (1), 103-114 (2020).
  11. Kaireit, T. F., et al. Flow volume loop and regional ventilation assessment using phase-resolved functional lung (PREFUL) MRI: Comparison with 129Xenon ventilation MRI and lung function testing. J Magn Reson Imaging. 53 (4), 1092-1105 (2021).
  12. Couch, M. J., et al. Comparison of functional free-breathing pulmonary 1H and hyperpolarized 129Xe magnetic resonance imaging in pediatric cystic fibrosis. Acad Radiol. 28 (8), e209-e218 (2020).
  13. Behrendt, L., et al. Validation of automated perfusion-weighted phase-resolved functional lung (PREFUL)-MRI in patients with pulmonary diseases. J Magn Reson Imaging. 52 (1), 103-114 (2019).
  14. Marshall, H., et al. 129Xe and free-breathing 1H ventilation MRI in patients with cystic fibrosis: A dual-center study. J Magn Reson Imaging. 57 (6), 1908-1921 (2022).
  15. Mendes Pereira, L., et al. UTE-SENCEFUL: first results for 3D high-resolution lung ventilation imaging. Magn Reson Med. 81 (4), 2464-2473 (2018).
  16. Boucneau, T., Fernandez, B., Larson, P., Darrasse, L., Maître, X. 3D magnetic resonance spirometry. Sci Rep. 10 (1), 16012(2020).
  17. Klimeš, F., et al. 3D phase-resolved functional lung ventilation MR imaging in healthy volunteers and patients with chronic pulmonary disease. Magn Reson Med. 85 (2), 912-925 (2021).
  18. Klimeš, F., et al. Repeatability of dynamic 3D phase-resolved functional lung (PREFUL) ventilation MR Imaging in patients with chronic obstructive pulmonary disease and healthy volunteers. J Magn Reson Imaging. 54 (2), 618-629 (2021).
  19. Klimeš, F., Voskrebenzev, A., Gutberlet, M., Grimm, R., Wacker, F., Vogel-Claussen, J. Evaluation of image registration algorithms for 3D phase-resolved functional lung ventilation magnetic resonance imaging in healthy volunteers and chronic obstructive pulmonary disease patients. NMR Biomed. 36 (3), e4860(2022).
  20. Klimeš, F., et al. Effect of CFTR modulator therapy with elexacaftor/tezacaftor/ivacaftor on pulmonary ventilation derived by 3D phase-resolved functional lung MRI in cystic fibrosis patients. Eur Radiol. 34 (1), 80-89 (2024).
  21. Rosenzweig, S., Holme, H. C. M., Uecker, M. Simple auto-calibrated gradient delay estimation from few spokes using Radial Intersections (RING). Magn Reson Med. 81 (1), 1898-1906 (2019).
  22. Uecker, M., et al. Berkeley advanced reconstruction toolbox. Proc Intl Soc Mag Reson Med. 23 (1), 2486(2015).
  23. Otsu, N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 9 (1), 62-66 (1979).
  24. Song, H. K., Dougherty, L. k-Space weighted image contrast (KWIC) for contrast manipulation in projection reconstruction MRI. Magn Reson Med. 44 (6), 825-832 (2000).
  25. Song, H. K., Dougherty, L. Dynamic MRI with projection reconstruction and KWIC processing for simultaneous high spatial and temporal resolution. Magn Reson Med. 52 (4), 815-824 (2004).
  26. Voskrebenzev, A., Gutberlet, M., Kaireit, T. F., Wacker, F., Vogel-Claussen, J. Low-pass imaging of dynamic acquisitions (LIDA) with a group-oriented registration (GOREG) for proton MR imaging of lung ventilation. Magn Reson Med. 78 (4), 1496-1505 (2017).
  27. Avants, B. B., Tustison, N. J., Song, G., Cook, P. A., Klein, A., Gee, J. C. A reproducible evaluation of ANTs similarity metric performance in brain image registration. Neuroimage. 54 (3), 2033-2044 (2011).
  28. Forsberg, D. fordanicimage-registration. , Available from: https://github.com/fordanic/image-registration (2014).
  29. Isensee, F., Jaeger, P. F., Kohl, S. A. A., Petersen, J., Maier-Hein, K. H. nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. 18 (2), 203-211 (2021).
  30. Wernz, M., et al. Influence of lung vessel segmentation on the reproducibility of PREFUL MRI. Proc IWPFI. 10 (1), 73(2022).
  31. He, K., Sun, J., Tang, X. Guided image filtering. IEEE Trans Pattern Anal Mach Intell. 35 (6), 1397-1409 (2013).
  32. Klimeš, F., et al. Free-breathing quantification of regional ventilation derived by phase-resolved functional lung (PREFUL) MRI. NMR Biomed. 32 (6), e4088(2019).
  33. Pöhler, G. H., et al. Repeatability of phase-resolved functional lung (PREFUL)-MRI ventilation and perfusion parameters in healthy subjects and COPD patients. J Magn Reson Imaging. 53 (3), 915-927 (2020).
  34. Moher Alsady, T., et al. MRI-derived regional flow-volume loop parameters detect early-stage chronic lung allograft dysfunction. J Magn Reson Imaging. 50 (6), 1873-1882 (2019).
  35. Kaireit, T. F., et al. Comparison of quantitative regional ventilation-weighted fourier decomposition MRI with dynamic fluorinated gas washout MRI and lung function testing in COPD patients. J Magn Reson Imaging. 47 (6), 1534-1541 (2018).
  36. Munidasa, S., et al. Inter- and intravisit repeatability of free-breathing MRI in pediatric cystic fibrosis lung disease. Magn Reson Med. 89 (5), 2048-2061 (2023).
  37. Lévy, S., et al. Free-breathing low-field MRI of the lungs detects functional alterations associated with persistent symptoms after COVID-19 infection. Invest Radiol. 57 (1), 742-751 (2022).
  38. Voskrebenzev, A., et al. Detection of chronic lung allograft dysfunction using ventilation-weighted Fourier decomposition MRI. Am J Transplant. 18 (8), 2050-2060 (2018).
  39. Voskrebenzev, A., et al. PREFUL MRI depicts dual bronchodilator changes in COPD: A Retrospective analysis of a randomized controlled trial. Radiol Cardiothorac Imaging. 4 (2), e210147(2022).
  40. Klimeš, F., et al. Comparison of free-breathing 3D phase-resolved functional lung (PREFUL) MRI with dynamic 19F ventilation MRI in patients with obstructive lung disease and healthy volunteers. J Magn Reson Imaging. , (2024).

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

PREFUL

相关文章