導(dǎo)讀

動(dòng)脈自旋標(biāo)記(ASL)成像通過追蹤磁性標(biāo)記血液在腦內(nèi)的積聚來獲得灌注圖像。由于生成的圖像本身具有較低的信噪比(SNR)，因此通常會(huì)獲取多個(gè)測(cè)量值并取平均值，但代價(jià)是增加了掃描持續(xù)時(shí)間和產(chǎn)生運(yùn)動(dòng)偽影的機(jī)會(huì)。然而，在采集時(shí)間有限且患者運(yùn)動(dòng)增加的臨床環(huán)境中，僅采用此策略可能是無效的。本研究考察了使用獨(dú)立成分分析(ICA)方法對(duì)ASL數(shù)據(jù)進(jìn)行去噪及其自動(dòng)化的潛力。

從30名急性腦卒中患者中收集了72個(gè)ASL數(shù)據(jù)集(偽連續(xù)ASL；5個(gè)不同的標(biāo)記后延遲：400、800、1200、1600、2000ms；總volume=60)。將基于ICA的去噪效果(手動(dòng)和自動(dòng))與兩種不同的去噪方法進(jìn)行比較：一種是基于主成分的方法(aCompCor)，另一種是基于去除受損體積的算法(增強(qiáng)自動(dòng)血流估計(jì)，ENABLE)。采用多項(xiàng)指標(biāo)評(píng)估去噪后數(shù)據(jù)質(zhì)量的變化，包括腦血流(CBF)和動(dòng)脈傳輸時(shí)間(ATT)、SNR和可重復(fù)性。此外，估計(jì)數(shù)據(jù)去噪前后的信噪比與重復(fù)次數(shù)之間的關(guān)系。

與原始數(shù)據(jù)相比，基于ICA的去噪方法顯著提高了CBF和ATT的平均值(p＜0.001)，降低了CBF和ATT方差(p＜0.001)、增強(qiáng)了SNR(p＜0.001)，并提高了可重復(fù)性(p＜0.05)?；贗CA的手動(dòng)和自動(dòng)去噪的性能相當(dāng)。這些結(jié)果超出了aCompCor或ENABLE的影響?；贗CA去噪后，僅使用50%的ASL數(shù)據(jù)集比使用整個(gè)原始數(shù)據(jù)集的SNR更高。

結(jié)果表明，ICA可以用于ASL數(shù)據(jù)中的信號(hào)和噪聲分離，提高了采集數(shù)據(jù)的質(zhì)量。事實(shí)上，這項(xiàng)研究表明，在不影響數(shù)據(jù)質(zhì)量的情況下，采集時(shí)間可以減少50%，這值得進(jìn)一步研究。獨(dú)立成分分類和回歸可以按照簡(jiǎn)單的標(biāo)準(zhǔn)手動(dòng)執(zhí)行，也可以自動(dòng)執(zhí)行。

前言

腦灌注測(cè)量是臨床實(shí)踐中不可或缺的工具，適用于廣泛的急性和慢性疾病(如中風(fēng)和癡呆)。可以使用的方法有很多，每種方法都有其優(yōu)缺點(diǎn)；動(dòng)脈自旋標(biāo)記(ASL)MRI的主要優(yōu)點(diǎn)是不需要使用外源性造影劑。相反，ASL通過追蹤磁性標(biāo)記血液在大腦中的積聚來生成圖像，并通過從未標(biāo)記的對(duì)照?qǐng)D像中減去磁標(biāo)記圖像來獲得灌注圖像。在采集中使用多個(gè)標(biāo)記后延遲(PLD)可以估計(jì)動(dòng)脈傳輸時(shí)間(ATT)值，這不僅可以提高腦血流(CBF)定量的準(zhǔn)確性，還可以提供相關(guān)的風(fēng)險(xiǎn)分層信息。
ASL的主要缺點(diǎn)是生成的圖像具有低信噪比(SNR)。為了彌補(bǔ)這一點(diǎn)，通常需要采集多個(gè)測(cè)量值并對(duì)其進(jìn)行平均，但代價(jià)是掃描持續(xù)時(shí)間增加，因此有可能產(chǎn)生運(yùn)動(dòng)偽影，其負(fù)面影響會(huì)通過圖像減影過程進(jìn)一步增強(qiáng)。因此，在急性臨床環(huán)境中，患者因素，尤其是患者運(yùn)動(dòng)增加可能會(huì)限制該策略作為提高SNR的手段。
在后處理階段提出了一些方法，以消除由于圖像之間的運(yùn)動(dòng)或其他差異源引起的減影誤差而導(dǎo)致的結(jié)構(gòu)化噪聲，同時(shí)盡可能多地保留信號(hào)?，F(xiàn)有方法包括應(yīng)用濾波器或移除被認(rèn)為已損壞的圖像體積。然而，這兩種策略都有其局限性。濾波器閾值的選擇通常是任意的，而不參考成像數(shù)據(jù)。移除整個(gè)體積不可避免地會(huì)導(dǎo)致信號(hào)丟失，并且在有限的測(cè)量值下可能會(huì)適得其反。
低信噪比和結(jié)構(gòu)化噪聲的挑戰(zhàn)并非ASL所獨(dú)有。基于BOLD的功能性MRI(fMRI)也存在同樣的問題。在BOLD fMRI數(shù)據(jù)的后處理中使用獨(dú)立成分分析(ICA)已被證明能夠可靠地將信號(hào)與偽影或結(jié)構(gòu)化噪聲分離，與傳統(tǒng)的后處理方法相比，能夠顯著改善結(jié)果。在彌散加權(quán)成像和動(dòng)態(tài)磁化率對(duì)比MRI中，也探索了ICA提高SNR的效用。將其應(yīng)用于臨床前ASL數(shù)據(jù)時(shí)，已初步顯示出良好的應(yīng)用前景。
本研究考察了基于ICA的去噪在急性缺血性腦卒中患者臨床ASL數(shù)據(jù)中的應(yīng)用。將其性能與其他兩種去噪策略進(jìn)行了比較：一種是基于主成分的方法(aCompCor)；另一種是基于去除受損體積的算法(增強(qiáng)自動(dòng)血流估計(jì)，ENABLE)。

方法

患者和MRI數(shù)據(jù)采集

根據(jù)英國(guó)國(guó)家研究倫理服務(wù)委員會(huì)批準(zhǔn)的方案(參考：12/SC/0292和13/SC/0362)，連續(xù)24小時(shí)內(nèi)出現(xiàn)臨床卒中綜合征的患者，無論年齡，經(jīng)知情同意或代表同意后，被招募到前瞻性觀察隊(duì)列研究中。在臨床條件允許的情況下，每個(gè)被試在發(fā)病時(shí)、24小時(shí)、一周和一個(gè)月后進(jìn)行掃描。排除標(biāo)準(zhǔn)包括存在MRI禁忌癥和意識(shí)水平嚴(yán)重受損(美國(guó)國(guó)立衛(wèi)生研究院卒中量表1a問題得分＞1)。
所有掃描均使用3.0T西門子Verio掃描儀(Siemens Healthcare，Erlangen，Germany)進(jìn)行。使用以下協(xié)議采集ASL數(shù)據(jù)：偽連續(xù)ASL；單次激發(fā)EPI讀數(shù)；TR/TE為5386/14ms；分辨率為3.4×3.4×4.5mm；使用矩陣大小為64×64的24個(gè)時(shí)間層；在5個(gè)不同的標(biāo)記后延遲時(shí)間(400、800、1200、1600、2000ms)下，標(biāo)記1.8s后獲得交替的對(duì)照和標(biāo)記對(duì)，以循環(huán)方式變化并重復(fù)6次(總共獲得60個(gè)volume)；背景抑制(根據(jù)Okell等人(2013)計(jì)算WET預(yù)飽和和兩個(gè)全局反轉(zhuǎn)脈沖)；總采集時(shí)間為4min30s。在同一掃描中自動(dòng)采集具有相同讀出參數(shù)但沒有背景抑制或ASL標(biāo)記的校準(zhǔn)圖像，從而以絕對(duì)單位量化CBF。“預(yù)掃描歸一化”功能用于消除接收線圈不均勻性的影響。
在所有患者和所有時(shí)間點(diǎn)，本研究還采集了高分辨率T1加權(quán)結(jié)構(gòu)像(磁化制備快速采集梯度回波(MPRAGE)；1.8×1.8×1.0mm；FoV=228mm；TR=2040ms；TE=4.55ms；總采集時(shí)間=3min58s)。

預(yù)處理

所有圖像分析均使用FMRIB軟件庫(kù)(FSL 6.0，www.fmrib.ox.ac.uk/fsl)中的工具進(jìn)行。所有ASL數(shù)據(jù)集均使用MCFLIRT工具進(jìn)行剛體配準(zhǔn)、大腦提取(使用BET)和對(duì)照標(biāo)記減影進(jìn)行運(yùn)動(dòng)校正。使用FMRIB的自動(dòng)分割工具(FAST)對(duì)結(jié)構(gòu)T1加權(quán)圖像進(jìn)行組織分割，定義灰質(zhì)部分體積估計(jì)，并將其配準(zhǔn)到灌注圖像空間。除非另有規(guī)定，否則使用部分體積估計(jì)(PVE)閾值≥70%生成灰質(zhì)掩膜。使用FLIRT工具的BBR(基于邊界的配準(zhǔn))選項(xiàng)進(jìn)行灌注圖像和結(jié)構(gòu)圖像之間的配準(zhǔn)，這也允許同時(shí)使用單獨(dú)采集的場(chǎng)圖進(jìn)行失真校正。使用FNIRT工具進(jìn)行結(jié)構(gòu)和標(biāo)準(zhǔn)空間(MNI152-2mm標(biāo)準(zhǔn)腦)之間的配準(zhǔn)。

基于ICA的去噪

使用MELODIC工具(多元探索性線性優(yōu)化分解為獨(dú)立成分)對(duì)每個(gè)經(jīng)過對(duì)照標(biāo)記減法(ASL-sub)的4D ASL數(shù)據(jù)集進(jìn)行單被試空間獨(dú)立成分分解和自動(dòng)維數(shù)估計(jì)。

手動(dòng)獨(dú)立成分分類和偽影成分回歸

由兩名獨(dú)立評(píng)分員按照標(biāo)準(zhǔn)化程序手動(dòng)對(duì)獨(dú)立成分(IC)進(jìn)行分類。當(dāng)至少存在以下兩種特征時(shí)，認(rèn)為成分最可能代表信號(hào)(圖1)：①空間分布圖與灌注信號(hào)(即灰質(zhì))的預(yù)期位置一致。②時(shí)間進(jìn)程與整個(gè)采集過程中標(biāo)記后延遲的變化一致。

③功率譜中的大部分信號(hào)對(duì)應(yīng)于頻率(每次掃描的周期)的重復(fù)次數(shù)或其倍數(shù)。

如果一個(gè)成分沒有或只有其中一個(gè)特征，則將其標(biāo)記為噪聲(圖2)，并使用非侵入式方法從數(shù)據(jù)中回歸出來，從而僅去除與偽影相關(guān)的唯一方差。若兩名獨(dú)立評(píng)分員的分類結(jié)果存在分歧，則通過第三方評(píng)估人員來解決。

自動(dòng)獨(dú)立成分分類和偽影成分回歸

使用FMRIB基于ICA的X-noiseifier(FIX)定制版本獲得成分的自動(dòng)分類和回歸。FIX為每個(gè)成分提取多個(gè)空間和時(shí)間特征，每個(gè)特征描述數(shù)據(jù)的不同方面。這些數(shù)據(jù)被輸入多級(jí)分類器。使用手動(dòng)分類的訓(xùn)練數(shù)據(jù)集進(jìn)行訓(xùn)練后，F(xiàn)IX就可以自動(dòng)分類新的數(shù)據(jù)集。將一個(gè)閾值應(yīng)用于FIX輸出，以確定任何給定成分的二分類。改變閾值會(huì)改變真陽性率(TPR)和真陰性率(TNR)之間的平衡。在本研究中，最佳閾值被定義為在保持TPR＞90%的情況下獲得最高TNR的閾值。
為了優(yōu)化用于ASL數(shù)據(jù)的FIX，對(duì)其進(jìn)行了定制修改，以將那些在與特定ASL序列PLD周期頻率(每次掃描6個(gè)周期)匹配的頻率中具有更高功率的IC識(shí)別為信號(hào)。此外，F(xiàn)IX自動(dòng)將相應(yīng)標(biāo)記圖像和對(duì)照?qǐng)D像之間的平均運(yùn)動(dòng)參數(shù)作為每個(gè)減影圖像的運(yùn)動(dòng)參數(shù)。這是必需的，因?yàn)樵跇?biāo)記對(duì)照減影之前執(zhí)行了運(yùn)動(dòng)校正，同時(shí)對(duì)減影數(shù)據(jù)執(zhí)行ICA。
手動(dòng)分類期間生成的標(biāo)簽用于創(chuàng)建所需的訓(xùn)練數(shù)據(jù)集。在對(duì)某一特定被試的ASL數(shù)據(jù)進(jìn)行去噪時(shí)，將同一被試的所有標(biāo)簽都從訓(xùn)練集中剔除(留一法)。如上所述，使用非侵入式方法自動(dòng)從數(shù)據(jù)中回歸出成分。

用于比較的其他去噪方法

aCompCor

aCompCor是一種基于主成分分析(PCA)的方法，旨在降低基于BOLD和ASL的fMRI中的噪聲。顯著主成分來源于主要由白質(zhì)和腦脊液組成的噪聲感興趣區(qū)域(ROI)。然后，將這些成分作為干擾參數(shù)包含在BOLD和基于灌注fMRI時(shí)間序列數(shù)據(jù)的一般線性模型中。根據(jù)用戶指南說明，在上述預(yù)處理步驟后，將aCompCor(可在https://nipype.readthedocs.io/en/latest/api/generated/nipype.algorithms.confounds.html上獲取)應(yīng)用于本研究中使用的數(shù)據(jù)。

增強(qiáng)自動(dòng)血流估計(jì)(ENABLE)

ENABLE是一種多參數(shù)自動(dòng)算法，用于識(shí)別和去除多個(gè)標(biāo)記后延遲(PLD)ASL中質(zhì)量較差的差值圖像，以提高信噪比(SNR)。ENABLE同時(shí)實(shí)施的質(zhì)量標(biāo)準(zhǔn)是：時(shí)域?qū)Ρ榷仍肼暠?tCNR)，定義為灰質(zhì)中4D ASL減影數(shù)據(jù)集(ASL-sub)的時(shí)間均值除以非腦體素中ASL-sub的標(biāo)準(zhǔn)差；ASL-sub體素在灰質(zhì)中的比例顯著大于零；變異系數(shù)(CoV，定義為ASL-sub空間標(biāo)準(zhǔn)差除以其在灰質(zhì)中的空間均值)；時(shí)域SNR(tSNR，定義為ASL-sub的空間均值除以其在灰質(zhì)中的標(biāo)準(zhǔn)差)。根據(jù)用戶指南說明，在上述預(yù)處理步驟后，將ENABLE(可在https://asl-docs.readthedocs.io/en/latest/index.html上獲?。?yīng)用于本研究中使用的數(shù)據(jù)。

去噪效果評(píng)估

對(duì)ASL-sub方差的影響：為了檢驗(yàn)校正對(duì)ASL-sub(體素變量)的影響，計(jì)算每一次掃描的%ΔSTDmap。%ΔSTDmap被定義為：

%ΔSTDmap=(STD(ASL-suboriginal)-STD(ASL-subconnected))/STD(ASL-suboriginal)×100

其中STD是每個(gè)體素在4D ASL減影數(shù)據(jù)集體積上的標(biāo)準(zhǔn)差。然后將%ΔSTD圖配準(zhǔn)到MNI152-2mm標(biāo)準(zhǔn)腦(使用將灌注數(shù)據(jù)配準(zhǔn)到MNI252-2mm標(biāo)準(zhǔn)腦獲得的非線性變換矩陣)，并進(jìn)行平均以生成強(qiáng)度圖。本研究還對(duì)ΔSTD圖進(jìn)行了閾值化(25%)、二值化和平均，以生成一個(gè)概率圖，該概率圖將突出顯示ASL-sub方差在被試中更頻繁減少的那些區(qū)域。
對(duì)灌注分析的影響：使用空間正則化貝葉斯推斷方法(BASIL)估計(jì)去噪前后的灰質(zhì)CBF、ATT及其各自的會(huì)話內(nèi)方差，該方法在每個(gè)體素上產(chǎn)生CBF及其相關(guān)方差的估計(jì)值。采用重復(fù)測(cè)量方差分析比較不同去噪策略下灰質(zhì)的平均CBF和平均ATT及其各自的會(huì)話內(nèi)方差。此外，使用不同的灰質(zhì)PVE閾值(50、70和90)，計(jì)算基于ICA去噪前后的平均CBF及其會(huì)話內(nèi)方差，以探索在部分容積效應(yīng)越來越小的區(qū)域中的去噪效果。BASIL生成的CBF擬合z統(tǒng)計(jì)量被用作模型參數(shù)擬合優(yōu)度的標(biāo)記。使用重復(fù)測(cè)量方差分析進(jìn)行多重比較，比較不同去噪策略下z值＜2(擬合值的置信度約＜5%)的灰質(zhì)體素?cái)?shù)量。
對(duì)SNR估計(jì)的影響：定義SNR是為了允許使用ENABLE將結(jié)果與之前的工作進(jìn)行直接比較。通過將灰質(zhì)CBF(或ATT)值除以估計(jì)的標(biāo)準(zhǔn)差(體素)來估計(jì)每個(gè)數(shù)據(jù)集的CBF-SNR和ATT-SNR。采用重復(fù)測(cè)量方差分析比較不同去噪策略下的SNR估計(jì)值。
對(duì)可重復(fù)性的影響：為了了解去噪對(duì)CBF測(cè)量重復(fù)性的影響，將采集的每個(gè)session ASL數(shù)據(jù)集分為多個(gè)epoch，包括去噪前后，每個(gè)標(biāo)記后延遲重復(fù)一次。估計(jì)每個(gè)epoch的灰質(zhì)CBF。使用這些估計(jì)值的變異系數(shù)(定義為標(biāo)準(zhǔn)差除以平均值；變異系數(shù)越低，可重復(fù)性越高)評(píng)估重復(fù)性。采用重復(fù)測(cè)量方差分析比較不同去噪策略的結(jié)果。

評(píng)估不同重復(fù)次數(shù)的效果

在手動(dòng)ICA去噪前后，對(duì)采集的每個(gè)ASL數(shù)據(jù)集生成epoch。逐步去除不斷增加的重復(fù)次數(shù)，以了解獲得的重復(fù)次數(shù)的變化如何影響SNR。然后估計(jì)每個(gè)epoch的CBF-SNR，并使用重復(fù)測(cè)量方差分析進(jìn)行多重比較。

統(tǒng)計(jì)分析軟件

所有統(tǒng)計(jì)分析均使用Prism 8(GraphPad，California，USA)進(jìn)行。

結(jié)果

ICs分類和偽影成分回歸

MEODIC估計(jì)的單個(gè)被試ICs的平均數(shù)量為19(范圍7-23)。手動(dòng)分類為信號(hào)的ICs平均數(shù)量為7(范圍3-14；評(píng)分者間的一致率為92%)。FIX分類為信號(hào)的ICs平均數(shù)量為7(范圍2-16)。

ENABLE

每個(gè)患者掃描被歸類為較差并隨后從分析中刪除的平均volume數(shù)為1.7(范圍0-7)。

去噪效果評(píng)估

校正對(duì)ASL-sub方差的影響：在基于ICA的去噪后，%ΔSTD的個(gè)體平均圖顯示大腦邊緣和腦室周圍區(qū)域發(fā)生了更頻繁和明顯的變化，ASL-sub方差平均下降了30-35%(圖3，右側(cè))。當(dāng)使用aCompCor或ENABLE時(shí)，變化是類似的，但不太明顯(圖3，中間和左側(cè))。

對(duì)灌注分析的影響：基于ICA的去噪導(dǎo)致灌注分析的變化最大。與原始數(shù)據(jù)和使用其他方法去噪的數(shù)據(jù)相比，平均CBF顯著較高，而平均CBF的會(huì)話內(nèi)方差較低。當(dāng)比較手動(dòng)和自動(dòng)IC分類的效果時(shí)，兩種指標(biāo)比較差異均無統(tǒng)計(jì)學(xué)顯著性。使用aCompCor導(dǎo)致平均CBF及其會(huì)話內(nèi)方差的變化較小。使用ENABLE僅導(dǎo)致平均CBF增加(圖4，表1)。

使用基于ICA的去噪和aCompCor導(dǎo)致ATT和ATT會(huì)話內(nèi)方差具有類似的變化。當(dāng)比較手動(dòng)和自動(dòng)IC分類的效果時(shí)，兩種指標(biāo)比較差異均無統(tǒng)計(jì)學(xué)顯著性。使用ENABLE僅導(dǎo)致ATT會(huì)話內(nèi)方差增加(圖5，表2)。

在所有測(cè)試的灰質(zhì)PVE閾值中，基于ICA去噪后的平均CBF及其會(huì)話內(nèi)方差的變化都是顯著的。所有去噪策略均顯著減少了擬合不良體素的數(shù)量(z值＜2)。與原始數(shù)據(jù)相比，基于ICA的去噪效果更明顯(減少了14%，p＜0.001)。基于ICA的手動(dòng)和自動(dòng)去噪之間無明顯差異。aCompCor和ENABLE的效果相對(duì)較小，但仍然顯著(aCompCor：減少了10%，p＜0.001；ENABLE：減少了8%，p＜0.05)。
對(duì)SNR估計(jì)的影響：所有去噪策略均顯著提高了CBF-SNR和ATT-SNR。與原始數(shù)據(jù)相比，基于ICA去噪后的SNR增幅最大(CBF-SNR增加40%，p＜0.001，圖4)?；贗CA的手動(dòng)和自動(dòng)去噪之間沒有顯著差異(圖4和5)。aCompCor的效果相對(duì)較小(CBF-SNR增加20%，p＜0.001)，而ENABLE的使用增幅最小(CBF-SNR增加4%，p＜0.001)。
校正對(duì)可重復(fù)性的影響：與原始數(shù)據(jù)相比，使用aCompCor或ENABLE后，可重復(fù)性不變。然而，基于ICA的去噪產(chǎn)生了顯著更高的可重復(fù)性(p＜0.05)?；贗CA的手動(dòng)和自動(dòng)去噪在重復(fù)性方面無明顯差異(圖6)。

評(píng)估不同重復(fù)次數(shù)的效果

減少原始ASL數(shù)據(jù)中的重復(fù)次數(shù)導(dǎo)致CBF-SNR下降，范圍從4%(去除一次重復(fù)，p＜0.001)到21%(去除四次重復(fù)，p＜0.001)。從手動(dòng)ICA去噪的ASL數(shù)據(jù)中去除重復(fù)時(shí)，也觀察到類似的效果。然而，僅包含3、4或5次重復(fù)的去噪數(shù)據(jù)中計(jì)算出的CBF-SNR大于包含所有重復(fù)的原始數(shù)據(jù)的CBF-SNR(p＜0.001；圖7)。

結(jié)論

這項(xiàng)研究表明，使用基于ICA的去噪方法可以降低CBF和ATT方差，增加SNR，并提高可重復(fù)性。這些變化超出了使用主成分分析(aCompCor)和去除受損圖像體積(ENABLE)方法的影響。自動(dòng)ICA去噪與手動(dòng)去噪在很多指標(biāo)上取得了幾乎相同的結(jié)果。有趣的是，采用基于ICA的去噪后，僅使用50%的數(shù)據(jù)就可以獲得比完整的原始數(shù)據(jù)更高的信噪比，從而有可能減少急性腦卒中患者的采集時(shí)間?？傊琁CA可用于分離ASL數(shù)據(jù)中的信號(hào)和噪聲。去除偽影成分可以在不增加采集時(shí)間的情況下提高數(shù)據(jù)質(zhì)量。事實(shí)上，這項(xiàng)研究表明，在不影響數(shù)據(jù)質(zhì)量的情況下，采集時(shí)間可以減少50%，這值得進(jìn)一步研究。獨(dú)立成分分類和回歸可以按照簡(jiǎn)單的標(biāo)準(zhǔn)手動(dòng)進(jìn)行，也可以通過使用為ASL定制的FIX自動(dòng)執(zhí)行。

原文：Carone, D. , Harston, G. , ?Garrard, J. , ?Angeli, F. D. , & ?Kennedy, J. . (2019). Ica-based denoising for asl perfusion imaging. NeuroImage, 200.

小伙伴們加星標(biāo)關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～