三维相位分辨功能性肺磁共振成像
2024年6月21日
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。
3D PREFUL MRI 可实现肺通气的可视化。我们开发 PREFUL MRI 的最初动机是什么？与传统的 2D PREFUL MRI 相比，希望以更高的各向同性图像分辨率捕获整个肺体积。
3D PREFUL MRI 可实现动态通气、肺部疾病描述检测、治疗监测，并有望在未来预测肺部疾病患者。对于儿童，PREFUL MRI 特别有用，因为它对患者非常友好，没有辐射。3D PREFUL MRI 最显着的优势是它使用了产品序列，该产品序列可在最先进的 MR 扫描仪上使用，从而促进其在其他中心的广泛采用。
此外，与其他 3D 非增强自由呼吸 MRI 技术相比，3D PREFUL MRI 最近已被验证为使用 19 FCA 成像和高气体成像直接测量通气，证明了这些方法之间的强烈对应性。我们已经表明，3D PREFUL MRI 已经能够显示哮喘和 CBD 患者的通气异质性和通气缺陷。此外，我们能够显示治疗后囊性纤维化患者的治疗反应效果。
因此，我们认为，在未来，3D PREFUL MRI 将成为临床上肺病患者的附加价值工具。3D PREFUL 的最新发展包括新的序列设计，例如螺旋轨迹的使用。这些是相关的，因为它们的硬件要求较低，基于案例的采样效率更高。
此外，同步运动切片方法在显著减少 2D 采集期间的扫描时间，同时实现通气和灌注加权成像方面也越来越受到关注。3D PREFUL MRI 的下一步将涉及进一步缩短采集时间，并采用基于深度学习的技术进行图像重建和图像配准，因为这些步骤目前是管道中最耗时的。因此，我们的目标是显著加快这些流程，提高整体采集效率并实现在线重建。
首先，指示受试者仰卧在磁共振成像或 MRI 台上。使用激光导航，定位患者，使成像区域占据孔的 ISIS 中心。执行定位器序列以获得三个平面上的低分辨率解剖图像，以规划 3D PREFUL 检查。
设置采集参数后，设置径向投影的数量，以便采集大约需要 8 分钟。检查整个胸部是否包含在视野中并开始采集。使用 MR 控制台上的供应商特定步骤保存原始 3D PREFUL 基于案例的数据。
设置原始数据的路径，以使用图像重建脚本评估采集的数据。使用 BART 中带有 S 延迟函数的校准投影来估计与 MR 系统相关的梯度延迟。根据计算出的梯度延迟对每个投影应用偏移，然后使用 XY 平面和 Z 方向的周期性窗口对梯度延迟校正的数据进行筛选。
对于低分辨率图像重建，请选择八分之一的基于案例的数据，以读出维度的中间索引为中心，以及以分区维度的中间索引为中心的基于案例的数据的四分之一。重塑基于案例的数据矩阵和相应的轨迹，以包括额外的时间维度，每个时间点包含 14 个径向投影。利用并行成像和压缩传感图片命令和 BART 执行图像重建。
为了提取呼吸门控信号，使用 Otsu 的阈值在每个重建的低分辨率 3D 图像中分割肺实质，并计算每个时间点的肺实质体积。将截止频率为 0.7 赫兹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。然后从时间序列中排除极端异常值。
接下来，沿切片方向对处理滤波器数据执行快速傅里叶变换，以实现逐切片图像重建。根据提取的时间序列重塑基于案例的数据矩阵，以便每个呼吸箱至少包含 100 个辐条。重塑了基于病例的轨迹矩阵以匹配基于病例的数据大小，并利用来自相邻 bin 的 20% 的投影来提高每个呼吸 bin 的信噪比。
执行 picks 命令以重建每个切片的图像。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 DOTMAP 文件中。然后反转重建图像的信号强度，并使用非刚性配准将它们配准到选定的呼吸状态。
使用 Nadaraya-Watson 核回归对已注册和反转的图像进行过滤，以将 16 个相位插值到均匀间隔的时间网格上。使用 0.7 赫兹的低通滤波器在时域中对插值数据消除与呼吸无关的信号变化。将 window size 的参数设置为 5、5、5，将 lambda 的参数设置为 0.001。
使用图像引导滤波对低通滤波图像进行去噪，并将时间平均的配准图像作为引导图像。计算每个呼吸阶段 N 的区域通气或我们的通风口图（以毫升/毫升为单位），接下来，使用具有 NNU 网络架构的卷积神经元网络分割吸气末 3D 图像的肺实质。使用血管识别算法排除肺血管，然后计算第八相 R 通气图的通气缺损或 VD 图，代表最大通气量。
将流量计算为 R vent 的一阶导数。为每个切片建立一个参考流量环或 FVL，该切片由第 75 个和第 95 个百分位数之间的通风值定义的健康区域计算得出。使用零滞后的互相关确定每个肺实质体素 FVL 和参考 FVL 之间的相似性。
然后计算通风缺陷 FEL 相关度量图。以呼吸周期的百分比计算达到峰值的通气时间或 VTTP 图，然后是 VTTP 值与峰值吸气的 50% 偏差统计描述参数是所有切片的通风、FELCM、VTTP 和 VTTP 偏差，提供中位数、平均值、标准差值和四分位数范围。最后，计算从生成的 VD 图得出的通风缺陷百分比值，并将所有计算的参数导出到电子表格文件中。
健康志愿者的 3D PREFUL MRA 表明所有通气参数图的通气值均一。在示例 VD 图中，我们通风口的通风缺陷百分比值为 3.6%，FELCM 的通风缺陷百分比值为 3%，处于健康的正常范围内。一名 54 岁女性慢性阻塞性肺病患者的 3D PREFUL MRI 和 19 FMRI 通气缺损图的比较表明，健康区域和通气不足区域具有良好的视觉相关性。
比较 3D PREFUL MRI 以测量囊性纤维化受试者肺部治疗后的区域反应，发现 FEL 相关指标的值增加以及治疗后 VD 的降低。
概述
3D 相位分辨功能性肺 (PREFUL) MRI 技术能够全面可视化和量化整个肺容积的肺通气。该方法提高了图像分辨率，对于以患者友好的方式监测肺部疾病特别有益。
关键研究组成部分
科学领域
- 神经科学
- 医学影像
- 呼吸健康
背景
- 3D PREFUL MRI 以比传统方法更高的分辨率捕捉整个肺容积。
- 它是无创的，不涉及辐射，适合儿童使用。
- 该技术已经通过其他成像方法验证用于测量通气。
- 最近的进展包括新的序列设计和缩短采集时间。
研究目的
- 开发一种用于评估肺病患者动态通气的方法。
- 促进肺病的治疗监测和改善预后。
- 提高 MRI 在呼吸健康中的临床效用。
使用的方法
- 在最先进的 MR 扫描仪上使用产品序列。
- 实施包括深度学习在内的图像重建技术。
- 应用呼吸门控和分割方法进行数据分析。
- 使用各种滤波和配准技术来提高图像质量。
主要结果
- 3D PREFUL MRI 在哮喘和 COPD 患者中展示了通气的异质性。
- 它有效监测了囊性纤维化患者的治疗反应。
- 新的序列设计提高了采集效率并减少了扫描时间。
- 发现 3D PREFUL MRI 与其他通气测量方法之间有很强的对应性。
结论
- 3D PREFUL MRI 是临床环境中评估肺功能的有价值工具。
- 未来的发展旨在进一步缩短采集时间并改进图像处理。
- 该技术有望提高呼吸系统疾病的患者护理。
常见问题
Executive Industry Relevance
Three-dimensional phase-resolved functional lung (3D PREFUL) MRI enables quantitative, radiation-free assessment of regional lung ventilation dynamics across the entire lung volume. This technology enhances predictive confidence in respiratory disease models and supports translational continuity from discovery through preclinical validation. Its robust, reproducible outputs position it as a reusable platform for respiratory drug development and mechanistic de-risking.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables interrogation of pulmonary ventilation mechanisms in disease-relevant systems.
- Supports functional target validation by quantifying regional ventilation heterogeneity.
- Facilitates mechanistic de-risking for respiratory drug candidates.
Screening & Assay Development
- Provides standardized, quantitative imaging outputs for assay development.
- Enables reproducible assessment of compound effects on lung ventilation.
- Supports platform scalability and cross-study comparability in respiratory models.
Translational & Preclinical Research
- Aligns imaging biomarkers with clinical pulmonary function endpoints.
- Enables longitudinal monitoring of treatment response in preclinical and translational studies.
- Reduces biological risk by providing non-invasive, repeatable measurements.
Pipeline & Workflow Integration
3D PREFUL MRI integrates into the respiratory drug discovery continuum from early mechanistic studies through preclinical efficacy and biomarker validation.
- Discovery Biology: Quantifies ventilation dynamics to clarify disease mechanisms and validate targets.
- Screening: Delivers reproducible, quantitative readouts for compound evaluation in lung models.
- Analytics: Provides statistical outputs (e.g., ventilation defect percentage, flow-volume metrics) for robust condition comparison.
- Translational Research: Bridges preclinical imaging with clinical pulmonary function tests for biomarker alignment.
- Enterprise Reuse: Offers a scalable, vendor-agnostic imaging platform for multi-program respiratory portfolios.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in respiratory models.
- Operational Value: Standardizes imaging protocols and enables reproducible, multi-site implementation.
- Strategic Value: Improves go/no-go decisions and capital efficiency by providing robust, quantitative endpoints.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of respiratory assets.
Implementation Considerations
- Requires expertise in advanced MRI acquisition and image analysis.
- Needs access to state-of-the-art MR scanners and computational infrastructure for image reconstruction.
- Demands cross-team standardization of imaging protocols and data processing pipelines.
- Adaptable to various preclinical and clinical lung disease models with appropriate parameterization.
- Current limitations include image reconstruction time and the need for further automation in data processing.
