3차원 위상 분해 기능적 폐 자기 공명 영상

3D PREFUL MRI 를 사용하면 폐 환기를 시각화할 수 있습니다. PREFUL MRI를 개발하게 된 초기 동기는 무엇이었나요? 기존의 2D PREFUL MRI에 비해 더 높은 등방성 이미지 해상도로 전체 폐 부피를 캡처하고자 하는 열망이었습니다.

3D PREFUL MRI(3D PREFUL MRI)는 동적 인공호흡, 폐 질환 묘사 감지, 치료 모니터링 및 향후 폐 질환 환자의 예후를 가능하게 합니다. 어린이의 경우 PREFUL MRI는 방사선 없이 매우 환자 친화적이기 때문에 특히 도움이 됩니다. 3D PREFUL MRI의 가장 큰 장점은 최첨단 MR 스캐너에서 사용할 수 있는 제품 시퀀스를 사용하여 다른 센터에도 널리 채택할 수 있다는 것입니다.

또한 다른 3D 비강화 자유호흡 MRI 기법과 비교했을 때, 3D PREFUL MRI(3D PREFUL MRI는 최근 19개의 FCA 이미징 및 하이퍼라이즈드 가스 이미징을 사용하여 인공호흡을 직접 측정하는 것으로 검증되었으며, 이는 이러한 방법 간의 강력한 대응성을 보여줍니다. 3D PREFUL MRI는 천식 및 CBD 환자에서 환기 이질성 및 환기 결함을 보여줄 수 있음을 보여주었습니다. 또한, 치료 후 낭포성 섬유증 환자에서 치료 반응 효과를 나타낼 수 있었다.

따라서 우리는 미래에 3D PREFUL MRI(3D PREFUL MRI)가 폐 질환 환자를 위한 클리닉에서 가치 있는 추가 도구가 될 것이라고 생각합니다. 가장 최근의 3D PREFUL 개발에는 나선형 궤적 사용과 같은 새로운 시퀀스 설계가 포함됩니다. 이는 하드웨어 요구 사항이 낮고 사례 기반 샘플링 효율성이 증가하기 때문에 관련이 있습니다.

또한 동시 모터 슬라이스 접근 방식은 2D 획득 중 스캔 시간을 크게 줄이는 동시에 환기 및 관류 가중 이미징을 가능하게 한다는 점에서 주목을 받고 있습니다. 3D PREFUL MRI의 다음 단계는 획득 시간을 더욱 단축하고 현재 파이프라인에서 가장 시간이 많이 소요되는 이미지 재구성 및 이미지 정합을 위한 딥 러닝 기반 기술을 사용하는 것입니다. 이를 통해 이러한 프로세스를 크게 가속화하여 전반적인 구매 효율성을 개선하고 온라인 재구성을 가능하게 하는 것을 목표로 합니다.

먼저, 피험자에게 자기공명영상(MRI) 또는 MRI 테이블에 누운 자세로 눕도록 지시합니다. 레이저 광 내비게이션을 사용하여 이미징된 영역이 보어의 ISIS 중심을 차지하도록 환자를 배치합니다. 로컬라이저 시퀀스를 수행하여 3개의 평면에서 저해상도 해부학적 이미지를 얻고 3D PREFUL 검사를 계획합니다.

획득 파라미터를 설정한 후 획득에 약 8분이 걸리도록 방사형 투영의 수를 설정합니다. 전체 흉부가 시야에 포함되어 있는지 확인하고 획득을 시작합니다. MR 콘솔에서 공급업체별 단계를 사용하여 원시 3D PREFUL 사례 기반 데이터를 저장합니다.

이미지 재구성 스크립트를 사용하여 수집된 데이터를 평가할 원시 데이터의 경로를 설정합니다. BART의 S 지연 함수와 함께 보정 투영을 사용하여 MR 시스템 종속 기울기 지연을 추정합니다. 계산된 그래디언트 지연에 따라 각 투영에 이동을 적용한 다음, XY 평면과 Z 방향의 주기적 창을 사용하여 그래디언트 지연 수정 데이터에 필터링을 전달합니다.

저해상도 이미지 재구성의 경우, 판독 차원의 중간 인덱스를 중심으로 하는 케이스 기반 데이터의 1/8을 선택하고, 파티션 차원의 중간 인덱스를 중심으로 하는 케이스 기반 데이터의 1/4을 선택합니다. 사례 기반 데이터의 행렬과 해당 궤적을 재구성하여 각 시점이 14개의 방사형 투영으로 구성된 추가 시간 차원을 포함합니다. 병렬 이미징 및 압축 센싱을 활용하여 pics 명령과 BART는 이미지 재구성을 수행합니다.

호흡기 게이트 신호를 추출하려면 Otsu의 임계값을 사용하여 재구성된 각 저해상도 3D 이미지에서 폐 실질을 분할하고 각 시점에 대한 폐 실질 부피를 계산합니다. 추출된 부피 시계열에 차단 주파수가 0.7Hz인 저역 통과 필터를 적용하고 호흡 주파수를 계산합니다. 그런 다음 시계열에서 극단적인 이상값을 제외합니다.

다음으로, 슬라이스 방향을 따라 필터 데이터를 처리하는 데 고속 푸리에 변환을 수행하여 슬라이스 별 이미지 재구성을 가능하게 합니다. 추출된 시계열을 기반으로 사례 기반 데이터 매트릭스를 재구성하여 각 호흡기 빈에 최소 100개의 스포크가 포함되도록 합니다. 사례 기반 데이터의 크기와 일치하도록 사례 기반 궤적 매트릭스를 재구성하고 인접한 빈의 투영 20%를 활용하여 각 호흡기 빈의 신호 대 잡음비를 향상시켰습니다.

각 슬라이스에 대한 이미지 재구성을 위해 picks 명령을 실행합니다. 하나의 완전한 호흡 주기, 호흡 빈도 및 획득 시간의 재구성된 이미지를 포함한 변수를 DOTMAP 파일에 저장합니다. 그런 다음 재구성된 이미지의 신호 강도를 반전시키고 비강성 정합(non rigid registration)을 사용하여 선택한 호흡 상태에 등록합니다.

Nadaraya-Watson 커널 회귀를 통해 등록된 이미지와 재반전된 이미지에 대한 필터링을 수행하여 16개의 위상을 균일한 간격의 시간 그리드로 보간합니다. 시간 영역의 보간된 데이터에 대한 0.7Hz의 저역 통과 필터를 사용하여 호흡과 관련이 없는 신호 변동을 제거합니다. 창 크기의 매개 변수를 5, 5, 5로 설정하고 람다를 0.001로 설정합니다.

시간적으로 평균화된 등록된 이미지를 안내 이미지로 사용하여 이미지 유도 필터링을 사용하여 저역통과 필터링된 이미지의 노이즈를 제거합니다. 각 호흡기 단계 N에 대해 지역 환기 또는 통풍구 맵을 밀리리터당 밀리리터 단위로 계산합니다.다음으로, NNU 그물 아키텍처가 있는 컨볼루션 뉴런 네트워크를 사용하여 말단 흡기 3D 이미지의 폐 실질을 분할합니다. 혈관 인식 알고리즘을 사용하여 폐 혈관을 제외한 다음 최대 환기를 나타내는 8단계 R vent map의 환기 결함 또는 VD 맵을 계산합니다.

흐름을 R vent의 1차 도함수로 계산합니다. 75번째와 95번째 백분위수 사이의 vent 값으로 정의된 정상 영역에서 계산된 각 슬라이스에 대해 참조 흐름 볼륨 루프 또는 FVL을 설정합니다. 지연이 0인 교차 상관을 사용하여 각 폐 실질 복셀 FVL과 참조 FVL 간의 유사성을 확인합니다.

그런 다음 환기 결함 FEL 상관 관계 메트릭 맵을 계산합니다. 호흡 절정까지의 시간 또는 VTTP 맵(호흡 주기의 백분율)을 계산한 다음 50%에서 최대 흡기량에서 VTTP 값의 편차를 계산합니다.매개변수는 모든 슬라이스에 대한 vent, FELCM, VTTP 및 VTTP 편차로 통계적으로 설명하여 중앙값, 평균, 표준 편차 값 및 사분위수 범위를 제공합니다. 마지막으로, 생성된 VD 맵에서 파생된 환기 결함 백분율 값을 계산하고 계산된 모든 매개변수를 스프레드시트 파일로 내보냅니다.

건강한 지원자의 3D PREFUL MRA는 모든 환기 매개변수 맵에 대해 균일한 환기 값을 표시했습니다. 예시적인 VD 맵에서 인공호흡기의 환기 결함 비율 값은 3.6%였고 FELCM의 경우 3%가 건강한 정상 범위 내에 있었습니다. 54세 여성 만성 폐쇄성 폐질환 환자의 3D PREFUL MRI와 19 FMRI의 환기 결함 지도를 비교한 결과, 건강한 부위와 저환기 부위의 시각적 상관관계가 양호한 것으로 나타났습니다.

낭포성 섬유증 환자의 폐 치료 후 부위 반응을 측정하기 위한 3D PREFUL MRI를 비교한 결과, 치료 후 성병이 감소했을 뿐만 아니라 FEL 상관 관계 지표의 값이 증가한 것으로 나타났습니다.