医学影像技术体系 · 第 31 卷 / 共 44 卷
HIFU、指纹成像、pH 与影像组学
本卷导读
讨论 MR-HIFU、磁共振指纹、pH 成像、影像组学与放射组学、ROC 分析、磁场稳定性，以及 MRI 在阿尔茨海默病与脑小血管病中的研究。
知识结构
- HIFU、E/A 与类淋巴
- 磁共振定量技术 铁定量
- 什么叫E/A ratio E/A比值
- 内耳、肺癌与心脏快速方案
- AI 脑 MRI 与阿尔茨海默
- DCE：MRI评估脑小血管病血脑屏障完整性的价值
- 人工智能系统脑MRI鉴别诊断精度接近神经放射科医生水平
- AI 脑 MRI 与阿尔茨海默：国际视野，中国方案：四川大学华西医院
- pH、指纹与快速定量
- 磁共振pH成像
- 磁共振指纹：一种新颖的定量磁共振技术
- 影像组学与科研入门
HIFU、E/A 与类淋巴
1. 磁共振定量技术 铁定量
LiverLab中包含的多回波Dixon Vibe提供了已对横向弛豫的影响进行了校正的肝脏脂肪分数值，通过这种方法，也可以进行横向驰豫时间T2的评估，该时间对脂肪信号效应进行了校正，下文称为T2c。这一数值的倒数，即脂肪校正的R2c*=1/ T2c*，可以在一定范围内用于评估肝脏铁含量（LIC）。本章提供了一些指导方法。
肝脏铁含量是重要的临床生物标志物，可以通过各种方法进行评估，包括仍被认为是金标准的穿刺活检，但是穿刺活检对患者有潜在的危险，而且取样差异性很大。用SQUID设备测量生物磁化率也是可行的，但是这一方法用的非常少。
铁对磁共振信号的影响也可以加以研究。利用自旋回波图像的横向驰豫率R2=1/T2的技术已获得监管部门批准，对照活检[1]进行了校准，现已成为一种商业产品:FerriScan(ResonaceHealth,Claremont,WA,Australia)。另一些已发表的技术采用二维梯度回波图像的横向驰豫率R2*=1/T2*，对照活检进行了校准[2-5]。差强人意的是，这些校准各不相同，即便不是很大的差距，存在这些差异的潜在原因是参考组织学程序[6]的差异，还有数据采集的差异，可能最重要的是R2*评估程序的差异，主要是如何来处理噪声，有些技术使用恒定噪声偏移作为模型参数，另一些则减去测量到的噪声水平，或减少所使用的回波数量。有利的方面是，不同的技术尽管使用不同的校准，仍可得到具有可比性的LIC值[7]。以前发表的方法没有考虑脂肪信号的影响。
为了真实的定量R2c*，数据拟合过程中需要校正混淆效应，特别是图像噪声和来自脂肪的信号调整[8]。考虑脂肪信号的一个缺点是，任何错误的脂肪和水信号的互换不仅导致会错误的脂肪分数估算（在这种情况下，脂肪分数不等于1减去水的分数），而且也会错误估算R2c*。需要考虑的另一个重要因素是肝脏R2*几乎与场强呈线性关系[9,10]。
多回波VIBE Dixon序列测量R2*。多步自适应拟合方法[11]最初是为脂肪定量而设计的，其信号模型中包含水和脂肪以及R2*；其中的拟合步骤包含了幅度数据，必须使用合适的序列以便回波时间较长的图像仍然有足够的信噪比（SNR）。
测量R2的序列需要尽可能短的回波时间来捕获快速衰减的信号[5]。另一方面，在多回波VIBE Dixon序列中，当前两个回波时间处于或接近反相位和同相位时，初始的水/脂分离效果最好。在3T设备中，这两个要求并不冲突（第一个反相位回波时间为1.23ms），但在1.5T设备中，首选最接近反相位和同相位的回波时间。为了减少噪声偏差，采集得到的信噪比应该尽可能高，因此需要使用较小的图像矩阵和合适的并行采集（iPAT）加速因子，避免非对称数据采集。由于在R2非常高的情况下，回波时间较长的回波总是被噪声影响，所以使用4个回波而不是标准的6个回波可能是更好的。表1列出了推荐的序列。
可以使用任何看图软件，通过感兴趣区（ROI）从相应的参数图中测量平均R2c值。在多回波VIBE Dixon序列中，一个灰度单元对应1s-1，正如DICOM数据注释中所指出的。这个值可以乘以铁的校准转换系数（见下文）。不同层面上的几个ROI可以用来评估肝脏铁过载的空间特异性或平均结果。同时只要Liverlab中的肝脏在线分割是成功的，整个肝脏的平均R2也是可以使用的，但是需要注意的是，其中的结构不是单纯的肝实质，例如具有大血管等结构，系统是不会自动将其排除在外的。
到目前为止，还没有直接利用铁沉积校正方法的脂肪校正的R2c与活检对比的文章发表。然而，初始比较R2c和从FerriScan得到的LIC得出了类似的结论[13,14]。列出了一些铁的校正曲线。
幅度图像上的噪声偏差通常会导致R2的低估，需要增加校正因子。根据噪声水平的不同，当T2接近第一个TE的两倍时，就会出现这种影响，通常为1ms。因此R2值大于500s-1总是被认为是被低估的；这意味着目前严重的铁过载在3T设备使用Liverlab不能可靠地检测。然而只要扫描方案保持不变，患者和接收线圈的设置是类似的，并且不存在脂肪和水的交换，就可以假设R2估算重现可达~1000/s。
试图去总结现在的知识情况，并考虑到个别原始技术对R2的低估或高估，将多回波VIBE Dixon序列的R2c单位s-1转换为LIC单位mg/g 每单位干重(dw)，在1.5T设备大约为0.032mg/g Fedw/s-1。
除了比例系数外，大多数铁校正也含有以mg/gFedw为单位的补偿，这对某些校正是正面的，对某些校正是负面的。在缺乏进一步证据的情况下，我们建议假设这个偏移为零，这似乎得到了一些模型[15]的支持。使用[9]提到的场强依赖关系和西门子MR扫描仪的典型Larmor频率，在3T设备转换系数约为0.017mg/g Fedw/s-1。考虑到假定对高R2*值进行了低估，表2对这些值进行了总结。
然而，就目前而言，使用Liverlab计算的LIC值必须由有经验的用户谨慎解读。
除了参数图之外，多回波VIBE Dixon还可以导出单个回波。在具有挑战性的情况下，或者需要外部交叉校准时，可以使用自定义软件手动处理这些内容，请参阅[16]。同样，现有铁校正的数据采集序列，如[3]或[17]中描述的信号强度对比方法，可以很容易地使用2D GRE序列再现，并与Liverlab的结果进行对比，只需要使用合适的后处理方法。
虽然Liverlab中的多回波VIBE Dixon序列最初设计是用于肝脏脂肪评估，但R2c*值可以在一定范围内评估肝脏铁浓度。在未来的软件版本中，为了将多回波VIBE Dixon扩展到精准的铁定量应用方面，已经进行了前期的开发活动和研究。
St Pierre TG, ClarkPR, Chua-anusorn W, et al. Noninvasive measurement and imaging of liver ironconcentrations using proton magnetic resonance. Blood 2005;。磁共振基本序列及图像对比度（权重）。磁共振中的弛豫：纵向弛豫和横向弛豫及T1、T2值。相位对比血管成像技术原理及临床应用。MRI基本原理的难点突破--K空间。K空间的数据是如何填充的？
在想，有的人“赌球”也不是真正的在“赌”，而是一种仪式感或者进入球迷模式的一种方式。
你可以买比利时胜。如果巴西赢了，你象征性的输了点钱，但是你内心开始；如果比利时赢了，你心情可能虽然不好，但是赢了票子。赢票子的心情能够稍微缓冲一下巴西失利带给你的不开心。
有人我，如果我买巴西赢，而且巴西真的赢了，那么在情感上，理性上我都开心，钱也赢了，巴西也晋级了，双倍开始。这样说是的，但是如果巴西输了，你是钱也输了，支持的球队也走了，郁闷加郁闷。这个就看个人性格，是有一种对冲风险，平衡心态的意识呢；还是有一种，管它的，痛快就痛快个够，输就输个彻底的心态。
就是，在聊一个话题的时候，突然想到另一个相关话题，于是前一个话题没聊完，就散到另外一个话题去，讲着讲着又从这个话题跳（散）到另外一个，依次类推。最后聊了一圈，还是把话题带回来（散回来）。这样经常一聊天就会完全发散思维，从一个话题散到另一个话题，有些时候可能还散不回来。
作为一个老成都，我是李贝贝的忠实听众，他的评述好多我都听了10遍以上，反复听，每次听都还是感觉笑料十足。
这个内容，差不多是6年前做的。于是让他们今天把病人叫回来，再扫描一个MRCP，然后在扫描几个薄层序列，扫描完后，我们一看，应该就是环状胰腺，这个医院的医生可能平时都没见过。
大概3年，有差不多9例，作为一种先天性异常，还是不多见的。虽然现在搞磁共振技术培训，但是我们这种工作好多人都是影像诊断专业出身的，也有很多人原来在医院就是做放射科诊断医生，所以对诊断还是有点割舍不下的。
环状胰腺（Annular Pancreas, AP）是一种胰腺先天异常解剖变异性疾病，其发病率不高。
1818年这种疾病首先由Tiedeman描述；1862年，Ecker根据其特点把这种疾病命名为“环状胰腺”。
环状胰腺的缩写AP和我们的职业缩写Application Specialist是一样的。也有人把它叫做环形胰腺。
大部分成人型患者检出前无明显临床症状，影像学检查是诊断环状胰腺的主要方法。
根据发病特点、表现，一般把环状胰腺分为：成人型和儿童型。
流行病学研究显示，该疾病的发病率比较低（其实应该说是检出率比较低），实际发病率（叫患病率更准确）应该会比统计结果更高。在男女发病率方面，很多文献报道是有矛盾的。
目前，环状胰腺的发病原因都还尚未完全阐明。但是有几个主要的假说，得到了学术界的一些共识。
环状胰腺早期的发现及病理阐述大部分是德国（德语区）医生完成的，所以早期的文献基本上是德文的。
要了解环状胰腺的形成，首先需要知道胰腺组织的正常胚胎发育过程。
胚胎第4周，肠管发出腹侧胰腺始基和背侧胰腺始基。6周后，腹侧胰腺始基旋转与背侧胰腺始基相融合，形成完整的胰腺组织。
腹侧胰腺管道形成主胰管；背侧胰腺管道如果不退化，就形成副胰管。
根据Lecco学说的胰腺胚胎发育原理：在胰腺融合的过程中，如果腹侧胰腺始基与十二指肠壁粘连，那么腹侧胰腺始基旋转过程中，会把十二指肠带入；最后腹侧胰腺始基和背侧胰腺始基融合后会包绕十二指肠。这也是环状胰腺最直接的表现和征象。
与此同时，另一种假说也比较流行，他是有Baldwin提出的。
Baldwin认为环状胰腺的形成是由于正常情况下应该萎缩的左腹侧小始基没有消退导致的。
有研究表明，transmembrance 4 superfamily member 3，即Tm4sf3基因的过度表达与环状胰腺的发生有关。
这里需要注意的是，成人型环状胰腺并不是成年以后胰腺才出现变异。不管是成人型还是儿童型，胰腺的结构异常早就在胰腺发育好就形成了，而之所以分这两型是由于，他们的临床处理方式不同。
成人型环状胰腺一般比较隐匿，没有临床症状，也不影响生活，大部分人是偶然体检或者检查发现的；而儿童型环状胰腺早期则出现临床症状，如黄疸、胆管梗阻等，并且儿童型环状胰腺容易合并其他畸形和异常。
两型在临床表现，症状严重程度即临床处理方法有很大的差异。无论儿童型还是成人型，在早期胰腺发育过程中即存在实质解剖结构的变异。
又根据胰腺包绕十二指肠程度的不同，把环状胰腺分为：完全型环状胰腺和不完全型环状胰腺。
A为完全型环状胰腺，其表现为十二指肠四周均被环状部胰腺组织包绕（即360°完全包绕）；B为部分型环状胰腺，胰腺组织呈“鳄鱼口”状，部分包绕十二指肠。
日本学者Yoshioka根据环状部胰腺的走形关系，把环状胰腺分为四型。
这个分型被叫做Yoshioka分型，以罗马字母表示。
Ⅱ型：环状部胰管单独开口于胆总管，并且与主胰管不相同
Ⅲ型：环状部胰管开口于十二指肠大乳头，该型主胰管缺如，只有副胰管。这四种分型对于临床处理有一定的帮助。
影像学检查是诊断环状胰腺的主要方法。根据成人型环状胰腺的发表年龄和特点，很容易与胰腺占位性疾病相混淆。
其中，胰头癌是比较常见的胰腺肿瘤，发现时需要立刻进行手术治疗，预后也比较差；而成人型环状胰腺，一般不需要外科干预，预后比较好。
早期没有CT及MRI，诊断环状胰腺主要是依靠钡餐造影，ERCP等影像学检查。
钡餐造影如果发现十二指肠降段局限性狭窄，可能说明有环状胰腺可能。但是这种诊断是非常不精确的，因为没有发现环状胰腺的直接征象，而是只能观察到环状胰腺的间接征象。
相比于钡餐造影，ERCP（逆行性胰胆管造影）能够直接显示环状胰腺的直接征象。
如果直接显示了环状部胰管，则可以直接诊断环状胰腺。环状部胰管呈环形包绕十二指肠，最后于主胰管汇合，这个是Yoshioka分型中的Ⅰ型，并且是完全型的环状胰腺。
ERCP是有创性的检查，而且操作麻烦，有可能还会加重胆道系统的梗阻情况。
CT和MRI出现以后，是诊断环状胰腺的主要影像方法。
环状胰腺主要通过影像学方法进行诊断。环状胰腺在CT及MRI上表现主要分为直接征象和间接征象。
直接征象就是能够直接显示胰腺包绕十二指肠或者能够直接显示环状部胰管的。
而间接征象则是胰腺组织包绕十二指肠后，产生的一些间接变化，比如：肝内胆管扩张、胆总管扩张、胰管扩张、有无合并有胰腺炎及有无合并胆囊炎等。
这里给大家一个建议，如果采用CT检查，诊断环状胰腺，最好做增强扫描，这样能够通过强化，突出胰腺组织，良好的显示胰腺组织包绕十二指肠。
采用薄层扫描，这样便于结合多平面重建（MPR）可以在多个方位观察胰腺包绕十二指肠程度。
这一例是非常明显的，增强扫描后，胰腺组织均匀强化，可以非常好的显示胰腺与十二指肠的关系。除了观察直接征象，我们还可以发现间接征象，比如胰管明显扩张，肝内胆管扩张等。
MPR多平面重建，冠状位，显示包绕十二指肠的胰腺组织。
另外一例，也是CT平扫加增强扫描。可以清楚的观察环状胰腺的直接征象，特别是环状部胰管。
除了CT，磁共振诊断环状胰腺也非常清晰。如果采用MRI，同样推荐做增强扫描，原因和CT一样。当然也推荐采用MRP重建，或者在做一个冠状位扫描。磁共振相比CT一个优势在于可以做MRCP，如果怀疑是环状胰腺，最好在加一个MRCP。
磁共振腹部平扫加增强，可以观察到环状胰腺的直接征象。
关于CT及MRI，诊断环状胰腺效能哪个更好，国内外也有些文献发表（包括我自己的）。
CT的优势在于空间分辨率高，扫描速度快，薄层扫描更容易，利于进行MPR重建，多方位观察。MR的优势在于软组织对比度好，并且可以采用MRCP观察胰胆管走形，更方便评估环状胰腺的分型。
CT图像空间分辨率较MRI高，观察胰腺及周围组织较清晰。CT后处理技术比较多，可以非常方便的进行MRP等处理，多角度观察。通过曲面重建可以部分显示环状部胰管走形。大部分成人型环状胰腺患者多由于并发症行影像检查，年龄较大，部分患者不能耐受MRI相对长时间的扫描，配合检查的能力较差，容易产生运动伪影，影像图像质量。
环状胰腺作为一种疾病，影像表现比较明显，诊断难度不是太大，只要有心留意，都可能能够正确诊断。
作为一种相对来说比较少见的先天变异性疾病，很多医院可能从来没有见过，所以在临床诊断中，需要主动有意识的知道还有这种疾病。
成人型环状胰腺非常容易和胰头占位，十二指肠占位想混淆。鉴别诊断的关键在于，观察到环状胰腺的直接征象。MRCP有助于显示胰胆管结构。结合临床病史、特点，鉴别环状胰腺，难度不算太大。
本章“懋式百科全书”跳出了写技术的范畴，讲了一下影像诊断。在临床培训中，我们由于工作性质，也经常能够收集到第一手的资料，有时候还能遇到很多罕见病。
法国vs比利时，双发常规时间进球数大于等于3，最终法国获胜
2018年07月08日 于 成都
希望看了我的文章之后，对于这种磁共振引导治疗的设备有一个直观的认识。
首先特别感谢Profound的张剑博士，他给我提供了很多资料，再次特别感谢。
高强度聚焦超声治疗（High Intensity Focused Ultrasound, HIFU）是一种比较绿色环保的治疗方法，又叫做高能聚焦超声刀，属于一种无创的治疗手段。其原理主要是利用高能的超声波聚焦病变区域，通过超声波的空化效应及热效应，使得热量聚焦在病变组织，从而“杀死”病灶以到达“消除”病变的目的。
以往的HIFU治疗大部分采用超声来引导，其优点是成本低。但是现在已经有最新的磁共振引导HIFU治疗，也就是我们所说的磁共振引导聚焦超声治疗，由于采用MRI磁共振引导，也被称为磁波治疗或者磁波刀。
目前国内已经有MR引导聚焦超声治疗的专家共识了，MR-HIFU也就是磁波治疗，MRI引导HIFU治疗也可以写作MRgFUS（Magnetic Resonance guided focus ultrasound, MRgFUS）。
HIFU就是利用高能的超声波聚焦于病灶位置，达到治疗效应。
是一个太阳能加热煮饭的例子，采用凹面将太阳能聚焦，可以达到加热聚焦点的目的。HIFU差不多是同样的原理。
超声波经过凹面换能器聚焦，产生热效应，高温灭活肿瘤细胞或者病灶区域。
三.MRI引导HIFU治疗的优势。首先是MRI可以采用3D成像，得到的图像组织分辨率更佳，细节显示得更好，对于病灶区的勾画、确定有非常大的优势。
第三，MRI无电离辐射的特点，完成治疗后，可以立马进行增强灌注扫描，评估治疗的效果，测量NPV值，非常方便，流程简单。
第四，很多MRI-HIFU设备，既可以做磁共振引导的HIFU治疗，也可以把治疗床撤下来做常规诊断扫描，一机两用，提高利用率。
目前国内MRI-HIFU治疗，NMPA（CFDA）批准的几种临床应用场景（治疗疾病）是子宫肌瘤和子宫腺肌症。国外也有做骨转移疼痛治疗、前列腺治疗等。
对于影响女性生活的子宫肌瘤或者子宫腺肌症，采用MRI-HIFU治疗的优势是无辐射、无副作用；门诊手术，无需住院，当天回家；快速恢复，一般只需要2天；保留器官，无须切除。
四.子宫肌瘤/子宫腺肌症的MR-HIFU治疗 目前子宫肌瘤的治疗手段主要有以下三类：
药物治疗：采用促性腺激素、非米司酮、达那唑、他莫昔芬等。药物治疗的缺点是副作用大，停药后肌瘤多再长大。手术治疗：可以采用肌瘤切除术，对于不需要保留子宫功能的可以采用子宫切除术。手术治疗需要住院，恢复缓慢。HIFU治疗：采用MR-HIFU治疗优点就是无创、安全、无需住院、恢复快。
对于MR-HIFU治疗子宫肌瘤，首先是要合理的选择病人，这一点很关键。
在T2WI上，以子宫肌瘤的信号强度来分类，可以把其分为三型。子宫肌瘤在T2WI上的亮度表现（信号强度）直接决定其是否适合进行MR-HIFU治疗。
Funaki 1型子宫肌瘤主要表现为在T2WI上，子宫肌瘤信号非常低，表现得很黑，信号强度甚至低于肌肉和骨骼。这种类型的子宫肌瘤一般采用MR-HIFU治疗效果比较理想，NPV非常高，大部分可达到100%。由于1型的子宫肌瘤在T2WI表现为低信号，黑色，又叫做暗色肌瘤。
Funaki 2型子宫肌瘤主要表现为在T2WI上，子宫肌瘤信号呈中等表现，高于骨骼肌，但是低于子宫内膜。
Funaki 3型子宫肌瘤主要表现为在T2WI上，子宫肌瘤呈高信号，信号强度高于子宫内膜，又叫做亮色肌瘤。
子宫肌瘤变性可能对能量聚焦产生不良影响，降低治疗效率。
目前很多磁共振制造商都可以提供MR-HIFU系统，飞利浦也可以。同普通诊断MRI一样，MR-HIFU首先要有一个磁共振系统。
飞利浦公司也是非常早就开始做MR-HIFU的，目前飞利浦公司和profound公司合作，有一套MR-HIFU系统，这套系统又叫做Sonalleve治疗系统。
首先是专用的治疗扫描床，这个扫描床上集成了水冷、换能器和线圈。扫描床的内部是一个超声发射元件，也就是换能器。换能器有256条独立的通道，产生直通超声波束。
MR-HIFU的线圈是双线圈系统，组成部分是骨盆线圈和窗口线圈。
除了扫描床，还有操作台和安全装置，电子设备机柜，患者脚踏及辅助推车。
飞利浦Profound的MR-HIFU目前温度测量的精准度是非常高的，其中温度分辨率为1℃，空间分辨率为2.5mm，时间分辨率为3s。
还有一种测量温度的技术是温度图扫描法，它采用的是动态的EPI扫描，一个动态扫时间小于3秒，每3秒钟获得6个测温层。
HIFU治疗主要是利用了高能聚焦超声的热效应，如何定量这种热能量呢？主要采用热剂量（Thermal Dose, TD）。
产生热效应要求要高温、短时，这样也更安全，热剂量的单位是等效分钟（Equivalent Minutes, EM）。
生物组织在43℃下达到了240分钟，就达到了致死量240EM。
在030EM，一般没有热损伤；30240EM，可能产生热损伤，大多数情况下这种损伤是可逆的；而大于240EM，则会产生不可逆的凝固性坏死。
MR-HIFU治疗过程不难，但是前面的病人筛选，病人教育，准备工作，包括麻醉这些步骤还是比较复杂的。
另外就是目前MR-HIFU治疗优点很多，缺点也很明显，第一个就是治疗时间长。治疗的时间根据病人的子宫肌瘤大小来定，子宫肌瘤越大，治疗时间越长。第三是完成一个病人治疗大概需要3小时。
对于很多医院，如果单纯买一台MR做MR-HIFU，每天病人不够的话是比较亏的。飞利浦的MR-HIFU本身就是可以两用的，把扫描治疗床换了就可以做普通MR扫描。
对于MR-HIFU治疗流程，首先就是患者的准备工作。
然后开始先进行MRI扫描，首先采用T2WI矢状位或者横轴位，推荐采用3D的扫描这样可以三方位观察。
T2WI观察肌瘤比较好，这样便于测量肌瘤大小和进行治疗区的勾画。
专家共识里推荐采用三个方位T2WI扫描，层厚4mm，层间距1mm。
然后确定计划治疗体积（Planned Treatment Volume, PTV）。
治疗后应该立即观察患者反应，检查皮肤表面是否有发红或刺激。
MR-HIFU治疗后一般会采用DCE扫描，来评估治疗效果，也就是评估非灌注体积（Non-Perfusion Volume, NPV）大小。
一般用NPV%来表示治疗消融的体积。比如治疗前确定的PTV体积为500cc，治疗后测量的NPV区域有500cc，则NPV%为100%，表示治疗效果非常好，PTV区域的子宫肌瘤都被“烧”掉了。
非灌注体积NPV越大，表示MR-HIFU治疗效果越好。
很多医院虽然放射科没有开展MR-HIFU，但是应该扫描过那种HIFU术后评估疗效的。扫描很简单，就做一个增强的扫描，这种患者图像一般是子宫有一大片非灌注区（代表被消融的病灶）。
NPV＜50%，则缓解症状将不明显，治疗效果一般。
中国医学装备协会磁共振应用专业委员会微创治疗学组.MR引导聚焦超声治疗子宫肌瘤中国专家共识.
2. 什么叫E/A ratio E/A比值
E/A比值是超声心动图常用的一个指标，主要是反映左室舒张功能。磁共振也可以通过2D PC扫描，测量E/A比值。
磁共振基本序列及图像对比度（权重）。磁共振中的弛豫：纵向弛豫和横向弛豫及T1、T2值。相位对比血管成像技术原理及临床应用。MRI基本原理的难点突破--K空间。磁共振前列腺规范化扫描方案及临床应用讲座。而大家看过心脏彩超诊断报告单（彩超报告），特别是频率多普勒，可以发现报告中经常会出现E峰、A峰或者E/A比值，这个代表什么含义呢？
首先来讲讲多普勒效应（Doppler effect），多普勒是奥地利物理学家、数学家。多普勒在1842年的文章中提出了著名的多普勒效应，主要是物体辐射的波长会因波源和观察者的相对运动而变化。波源和观察者相对运动距离越来越近时，波长变短，频率变高（蓝移）；波源和观察者相对运动距离越来越远时，波长变长，频率变低（红移）。因为红光的波长最大。
在水瓶里装开水的时候，也可以通过声音频率大小来判断是否水要到瓶口了。这些都是利用了多普勒效应。
心脏超声检查几乎会用到多普勒超声心动图，它可以获得心内血流运动的信息，包括血流速度、方向....。频谱多普勒Spectral Doppler超声心动图（echocardiography）是利用了多普勒效应，采集血流信息，通过频谱图来反映血流的特征。根据发射和接收方式不同，分为：脉冲多普勒（pulsed wave Doppler, PW）和连续多普勒（continuous wave Doppler, CW）。
在频谱图中，横轴代表时间，纵轴代表血流峰值速度（单位可以是m/s或者cm/s）。
血流方向朝向超声探头，则在频谱图像上峰值向上，是正峰；同理血流方向远离探头，则在频谱图像上峰值向下，是倒峰。
采集血流信息，通过频谱展示，可以反映血流的状态（血流速度、血流方向）。
讲了这么多，那么什么是E峰，什么是A峰，什么又是E/A比值呢？
当把超声探头（超声采样容积）置于二尖瓣口（二尖瓣开口处），测量通过二尖瓣从左心房流入左心室的血流，可以得到两个峰，分别是E峰和A峰。
E峰(early peak)，全称是early maximal ventricular filling velocity，表示左房血液流入左室的第一个流速高峰。这个血流峰值出现原因是左心室舒张，左心室压力下降，将左心房血液抽吸到左心室。由于是最早出现，所以又叫early峰，简称E峰。这个峰可以反映左心室舒张功能，左心室舒张功能正常，心室压力下降，把血液抽吸进入左室的能力就强，反映在E峰上就是峰值比较大。
A峰(artial peak)，全称是atrial maximal ventricular filling velocity，表示左房血液流入左室的第二个流速高峰。这个血流峰值出现的原因是左心房收缩，将左心房内残余的血液推挤到左心室。这个峰可以反映左心房收缩功能。左心房收缩正常则可以将心房内血流挤压进入心室，而如果收缩功能下降，则A峰就比较低。
是进行二尖瓣流速测量的时候，得到的频谱多普勒的E峰和A峰示意图。
清楚了E峰和A峰后，下面什么是E/A比值，E/A ratio，其实就是E峰高度比上（除以）A峰高度得到的一个比值，这个值对于反映左室舒张功能有一定的诊断价值。
E峰是由于左室舒张，血液从左房流入左室的第一个血流峰值。A峰是左房收缩，将血液挤压进左室的第二个血流峰值。正常情况下，E峰是高于A峰的，也就是说血液从左房进入左室，主要是靠左室舒张产生的抽吸作用。
左室舒张功能正常的情况下，E/A比值或者E/A ratio是大于1的。
将超声采样容积置于二尖瓣口，得到二尖瓣血流频谱信息，正常情况下，E峰高于A峰，E/A比值大于1。
而如果左室舒张功能下降，则可能导致左室舒张左室压力下降变小，左室对于血液的抽吸能力下降，表现E峰显著下降。此时，可能出现E峰和A峰倒置的情况，也就是A峰比E峰高，E/A比值小于1。
可以发现第一个峰（E峰）是低于第二个峰（A峰）的，E/A比值肯定是小于1的。
有些医院的超声心动图报告，直接写E峰低于A峰，这个描述就等同于E/A比值＜1。
是不是测量出来E/A比值大于1就一定说明左室舒张功能正常，这也是不一定的，因为用E/A比值评价左室舒张功能存在很多伪正常化的情况。也就是E/A比值大于1，但是左室功能已经下降或者受损了。
比如E/A比值大于1.5，说明心肌顺应性减退，左室已经重度舒张功能不全了。这个时候虽然E/A比值大于1，但是主要是由于左室已经严重的限制充盈了，左房收缩已经无法挤压血液进入左室。
E/A比值也和年龄有关，年龄越大，E/A比值逐渐下降。
DT英文全称是deceleration time，也就是减速时间，严格意义上DT应该叫E峰减速时间，毕竟A峰也有减速时间。它是指从E峰峰值对应的时间到E峰下降为0对应的时间间隔。
DT=E峰下降为0对应的时间（ms）-E峰峰值对于的时间。心室舒张功能正常的人，E/A＞1，DT＜220ms。
DT越长说明在心室舒张期需要更长的时间才能完成血液的快速充盈，代表心肌松弛功能受损。
实际上评价左室舒张功能的指标还有很多，一般都是几个综合指标，包括E/A比值，DT时间，E/E'比值等。单独一个E/A比值的评价肯定是不完善的。
一般1＜E/A＜1.5，150ms＜DT＜250ms代表左室舒张功能正常。
除了超声心动图可以测量E/A比值，实际上心脏磁共振也可以测量E/A比值。
已知磁共振可以利用PC技术测量血液流速，那么就可以利用MRI的流速测定，在垂直于二尖瓣的层面进行流速测量，来得到通过二尖瓣口的流速信息，计算E/A比值。
MRI的PC法要测量流速，必须垂直于测量的目标靶血管或者目标区域。所以定位的时候，使用两腔心长轴位2CH和四腔心长轴为4CH，定位测量平面垂直于二尖瓣开口，扫描2D PC的Q-flow。扫描完后，得到血液流速的分析图。
测量二尖瓣口流速，得到流速分析图。横坐标代表时间，单位是ms。
首先是心脏收缩期，左心室收缩将血液挤压通过主动脉瓣进入全身。
第二阶段则是左室舒张，可以发现两个主要的血液峰值，它们就是咱们本章讲的E峰和A峰。计算它们的比值即可得到E/A ratio。
工作站自动分析，识别了E峰和A峰后，会自动出结果，E/A ratio比值和DT时间。
不仅超声心动图可以测量E/A比值，磁共振心脏扫描也可以通过2D的PC法测量E/A比值。
- 5.27 周六 于 上海
近几年比较火热的一个研究方向就是颅脑类系统或者叫胶质淋巴系统，这是一个什么系统呢？
中枢神经系统没有淋巴系统，但是脑组织代谢肯定也有废物需要清除，那么大脑是怎么清除代谢产物的。既往的研究和观点认为大脑清除代谢废物主要是两种方式：
②扩散进入到脑脊液循环，通过脑脊液循环清除废物。
淋巴系统英文是lymphatic system，而脑类淋巴系统则是用术语glymphatic system来表示，翻译过来可以叫类淋巴系统或者胶质淋巴系统，因为gl-是神经胶质细胞glial cell的简写；lymphatic是淋巴的、淋巴管的意思，这个词组合就是glymphatic胶质淋巴。反映的是脑内的这种清除机制，其发挥的作用类似外周淋巴系统，所以叫“类淋巴系统”。
Glymphatic这个词首次出现是在2012年的一篇文献中。
在本章文献中，作者提出了类淋巴系统的作用是将组织间隙中的溶液（组织液、间质液）从大脑中清除。
是类淋巴途径或者叫做脑胶质-淋巴途径示意图，在这个全脑通路中，脑脊液（cerebrospinal fluid, CSF）沿着动脉旁路径（通路）（实际上是动脉周围间隙-类似血管周围间隙）进入脑实质，组织（间）液（interstitial fluid, ISF）沿着静脉周围间隙被清除。在星形胶质细胞血管侧终足质膜上分布着一些水通道蛋白4（water channel aquaporin-4, AQP4），参与脑实质和血管周围间隙之间的液体交换及清除。
interstitial fluid这个词，中文中不同文献或者综述翻译不同，有翻译为组织液，也有翻译为间质液。intersitial这个词是间质或者组织间隙的意思，所以这里指的是这个空间里的fluid，翻译为组织间质液最准确。
动脉搏动可以促进蛛网膜下腔中的CSF沿着动脉周围间隙进入脑实质，而AQP4可以促进CSF与ISF进行交换，使得代谢产物和一些废物最终随着整体流动（bulk flow）进入静脉周围间隙。最终这些代谢废物重新进入脑脊液循环，随着流动通过脑膜淋巴管进入颈部淋巴管排出脑外。
注射不同分子量的荧光示踪剂30分钟后，通过固定振动切片机荧光成像体外（ex vivo）观察示踪剂的运动（实际上是观察示踪剂分布来推测运动）。
脑室内和脑池内分别注射不同分子量的荧光示踪剂评估。脑室内注射示踪剂30分钟后，对不同分子量：小分子量（A594，分子量759D-道尔顿，红色表示）、中分子量（TR-d3，分子量3kD，蓝色表示）、大分子量（FITC-d2000，分子量2000kD，红色表示）的示踪剂进入脑组织的运动（流动）进行评估。可以发现在远离邻近周围脑室的区域没有观察到示踪剂（图B、C、D、E、F、G）。
另一组实验则是通过向小脑延髓池（枕大池）注射不同分子量的荧光示踪剂和放射性标记的示踪剂评估蛛网膜下腔的CSF是否进入脑实质。结果表明蛛网膜下腔的CSF迅速进入了脑实质，分子量越小的示踪剂，在大脑间质中运动越快，仅少量聚集在paravascular spaces血管旁间隙。
通过双光子成像评估蛛网膜下腔脑池内注射示踪剂流入大脑皮层的情况。
星形胶质细胞终足与终足之间并不是紧密连接的，而是有一个间隙，这个间隙大约是20~40nm，通过实验注射不同分子量的荧光示踪剂证明了类淋巴系统对溶质的清除具有大小选择性。
Capillary Lumen代表毛细血管管腔，其管壁是由内皮细胞endothelial cell构成，pericyte是（血管）周细胞，endfoot是星形胶质细胞的终足，可以发现其之间具有间隙，终足上有很多红色的代表AQP4。
AQP4的水通道主要分布在星形胶质细胞终足的质膜上，这种现象称之为AQP4极性。可以发现在终足侧分布着较多的AQP4，其对于CSF和ISF的交换非常重要。
可溶性淀粉样蛋白β（Aβ）存在于健康年轻大脑的间质中，间质Aβ水平与淀粉样斑块负荷相关。AQP4可以促进粉样蛋白β的清除。
通过测量小鼠脑内放射性[3H]标记的甘露醇评估间质液清除效率，右边图表中Aqp4-l-代表AQP4基因敲除小鼠脑模型，也就是说通过基因敲除使得该小鼠不表达AQP4，该小鼠脑中缺乏AQP4。而WT（wild type）野生型代表对照的正常小鼠脑模型。可以发现在基因敲除AQP4（Aqp4-null mouse）中，清除率大大下降。2小时后，正常小鼠甘露醇含量仅为63%左右，而Aqp4-null小鼠中含量为85%。不含AQP4的清除率比野生型低了70%。
关于颅脑类淋巴系统或者类淋巴通路，很多文献都给出了示意图便于大家理解。这里再次引用Maiken Nedergaard团队另一幅图展示。
的图更形象，其中脑脊液CSF经过血管周围间隙，这里主要是指小动脉旁周围间隙（Periarterial space）进入脑实质（这个过程称为influx入流、流入），Neuron是神经元（细胞），Astrocyte是星形胶质细胞。蓝色箭头代表CSF的整体流动，在AQP4的参与和介导下完成CSF和ISF的交换，此时dirty ISF随着整体流动最终通过小静脉周围间隙（Perivenous space）流出（这个过程称为efflux外流、流出）。经过流出后，含有代谢废物的间质液重新进入脑脊液中（参与脑脊液循环）或直接沿着脑膜淋巴管或颈部淋巴管排出。
类淋巴系统或者类淋巴通路中，比较重要的结构实际上是血管周围间隙（perivascular space, PVS），包括流入端的动脉周围间隙（periarterial space）和流出端的静脉周围间隙（perivenous space）。血管周围间隙在有的文献中也写作血管旁间隙（paravascular space）。peri-这个前缀代表周围，para-这个前缀则是有平行的，伴行的意思。
显示脑脊液的流出通路，白色箭头代表CSF的整体流动方向性；绿色箭头代表跨硬脑膜流出通路（transdural efflux），其中包括：脑膜淋巴管、筛板、颅神经及脊神经；蓝色箭头代表通过脊髓蛛网膜颗粒流出（spinal archnoid granulation efflux），包括：蛛网膜颗粒和蛛网膜容貌。
血管周围间隙PVS是非常重要的，写过神经系统MRI报告的，可能都经常在描述里面会写这个结构。血管周围间隙又叫Virchow-Robin间隙或者VR腔隙（VRS）。Virchow和Robin一看就是两个人的名字，也是这两人发现和提出了这个概念。PVS中充满了正常的脑脊液。
MRI对于PVS的显示和评价非常重要，正常的PVS在MRI中表现为T2WI高信号（液体信号）、T2-FLAIR呈低信号，边界清晰，多呈类圆形或椭圆形。关于MRI对于PVS的评估和研究有很多文献，以后有机会再重点阐述。
2012年发现这个“类淋巴系统”或者“类淋巴通路”对于很好地解释了颅内CSF-ISF是如何交换以及很多大分子代谢废物是如何被清除颅外的。
2015年脑膜淋巴管的发现对于脑淋巴系统的研究又引起了大家的重视。此后，不同团队的研究报道了在不同动物的硬脑膜中存在具有淋巴内皮细胞组成的典型的淋巴管样结构，并且这些淋巴管能够有效地将脑脊液及其中的脑实质代谢产物引流到脑外的颈深淋巴结，最终排泄进入血液系统。
文章中使用的MRI扫描技术也并不复杂，主要是通过扫描T2-FLAIR序列和T1WI黑血序列，结合MRI对比剂，包括非特异性对比剂gadolinium-based contrast agent（细胞外对比剂钆布醇gadobutrol）和血池特异性对比剂（钆磷维塞gadofosveset）。注射钆布醇后，脑膜淋巴管强化可以显影。血池特异性对比剂钆磷维塞gadofosveset目前已经退市了，在除了美国以外的其他国家都没有商品化使用，研究使用属于off-laber（超适应症使用），必须标注。
采用3D T1WI的梯度回波序列，比如MP-RAGE，增强前后扫描，无法区分脑膜淋巴管，因为此时脑膜和血管都强化，并且上矢状窦、直窦也强化。
如果想要使得血管或者脑脊液显示低信号，则需要使用T2-FLAIR序列或者3D T1WI黑血序列。
采用T2-FLAIR序列，增强前后扫描，并且进行减影，可以发现硬脑膜dura此时没有强化，脑膜淋巴管显示。第三幅可以发现脑膜淋巴管沿着静脉窦分布。
均采用2D的T1WI黑血序列增强后冠状位扫描，对比剂使用静脉内注射：左边是使用钆布醇增强后的图（注射对比剂后31分钟扫描）、右边则是血池对比剂gadofosveset（注射后42分钟扫描）。可以发现使用非特异性对比剂钆布醇扫描可以清晰地显示强化的脑膜淋巴管。而血池对比剂gadofosveset则不能显示，推测是因为该对比剂和血清白蛋白结合，停留在血管内时间长）。
由于MRI是一种无创的活体检查技术，用该技术评估大脑类淋巴系统是非常有潜力的，因此MRI应用于脑类淋巴的研究最近几年成为了热点。
- 12.27 周三 于 宁夏 银川
内耳、肺癌与心脏快速方案
内耳延迟增强MRI可以区分常规内耳MRI不能区分的内淋巴和外淋巴间隙，因此已经成为临床实践中各种内耳疾病患者的首选成像技术。磁共振基本序列及图像对比度（权重）。磁共振中的弛豫：纵向弛豫和横向弛豫及T1、T2值。相位对比血管成像技术原理及临床应用。MRI基本原理的难点突破--K空间。磁共振前列腺规范化扫描方案及临床应用讲座。心脏MRI扫描技术及高级临床应用。毕业于中国医科大学，专业医学影像学，研究生。曾在北京三甲医院做放射科医生4年。飞利浦Philips MRI临床应用培训一年，GE公司MR临床应用培训三年，新加坡工作三年。目前在拜耳公司担任MA。
在过去的十年中，因为内耳延迟增强MRI可以区分常规内耳MRI不能区分的内淋巴和外淋巴间隙，因此已经成为临床实践中各种内耳疾病患者的首选成像技术。
与经鼓膜和咽鼓管注射钆对比剂相比，经静脉注射钆对比剂，患者无需麻醉、操作简单，可同时显示双侧内耳，效率更高。在一项动物研究中，Counter等人[1]证明钆对比剂穿过血-迷路屏障后，优先在外淋巴间隙扩散，因此增加了外淋巴（钆对比剂进入导致高信号）和内淋巴（无钆对比剂进入仍呈低信号）之间的对比。后来，Naganawa等人[2]进行了第一项人体研究，结果显示在静脉注射钆对比剂4小时后，外淋巴间隙得到了最佳的增强效果。
然而，限制此项技术在临床的普遍推广主要因素是进入外淋巴间隙的钆对比剂浓度低且延迟时间长[3]。
为克服钆对比剂进入内耳的浓度低、强化效果差，在临床经常需要使用双倍剂量[4]甚至三倍剂量[5]的对比剂。但由于近年来人们对于钆对比剂导致的钆沉积和NSF的认识不断增加，因此多个专业学会鼓励尽量按照药品说明书规定的标准剂量（0.1mmol/kg 体重）进行成像。钆布醇（加乐显®）是目前唯一的高浓度、高弛豫率、大环状钆对比剂，十分适合用于内耳延迟增强MRI。Eliezer M等人[6]首次比较了两种大环状对比剂--钆布醇与钆特酸葡胺对梅尼埃病患者外淋巴的增强程度；该研究为单中心、平行分组对照、招募了20名临床确诊或可疑单侧梅尼埃病的患者；所有患者平均分为两组，一组静脉注射双倍剂量（0.2mmol/kg 体重）的钆特酸葡胺，另一组静脉注射单倍剂量（0.1mmol/kg 体重）的钆布醇；4小时后在同一台MR机器上用相同序列采集图像，测量患者外淋巴信号强度比（SIR），并进行视觉评估（0：无强化；结果显示，在梅尼埃病患者的患侧耳，两者的信号强度比（SIR）无明显差异（钆布醇1.58，钆特酸葡胺1.3，P = 0.18）；在对侧耳，钆布醇可提供更好的内淋巴间隙和半规管的解剖学细节(P < 0.001)，有利于排除无症状的内淋巴积液和迷路内瘘。近年来，越来越多的研究[7-12]表明增强FLAIR相较于传统的T1加权增强对于钆对比剂浓度分布较低的病变或结构，如脑膜转移瘤、癫痫、卒中、外伤性脑损伤、淋巴胶质系统障碍以及梅尼埃病具有更高的敏感性。根据一项在水膜上进行的研究[13]，增强2D FLAIR的信号强度在钆浓度为0.4mmol/L时达到顶峰；在钆浓度小于1mmol/L（相当于把钆布醇稀释1000倍）时FLAIR的信号强度均高于3D T1 GRE；因此可以得出：病变或结构内钆对比剂浓度低是进行增强FLAIR的有利条件；当满足以下两个前提条件时，很可能会出现这种（低钆对比剂浓度）情况：
①中枢神经系统屏障的破坏（钆对比剂可从血管内进入脑内），以及
②钆对比剂溢出到邻近的液体中（钆对比剂被稀释）。
以前的一项研究报告[14]表明在3T上的的重T2加权3D FLAIR（hT2w-3D-FLAIR）比传统的3D FLAIR对内淋巴水肿的显示更为敏感。延迟对比增强FLAIR还可用于监测梅尼埃病的治疗反应。众所周知，梅尼埃病的症状具有波动性，因此症状并不能作为反应治疗效果的标志物。最近的一项研究[9]报道了一个有希望的结果，内淋巴积水的改善或加重与继续或停止治疗相对应。日本新的梅尼埃病诊断指南15将对比增强MR作为梅尼埃病确诊的方法，这意味着某些类型的梅尼埃病可以在患者活着的时候就被诊断出来，而以前只能通过尸检来确诊。
通过优化磁共振序列参数提高内耳成像的图像质量并缩短扫描时间，成为了目前研究的热点。Nahmani S等[16]比较了内耳延迟增强3D-FLAIR恒定翻转角和可变翻转角显示外淋巴间隙强化程度以及内淋巴积水的检测率；该研究回顾性的分析了16名梅尼埃患者的3T内耳延迟对比增强3D-FLAIR图像（恒定翻转角140°和可变翻转角），所有患者都经静脉注射单倍剂量（0.1mmol/kg 体重）的钆布醇（加乐显®），延迟时间为4小时；研究结果表明3D-FLAIR恒定翻转角序列显示了更高的信号强度比，在评估耳蜗血-迷路损害和内淋巴间隙方面优于重T2可变翻转角序列。
Osman S等[17]比较了注射钆对比剂4小时后恒定翻转角3D-FLAIR 重复时间 TR的长短对于内耳外淋巴间隙增强程度的影响；这项单中心的前瞻性研究纳入接受内耳MRI检查的患者共20名；内耳MRI采用3D-FLAIR序列，"短 "TR为10,000毫秒（s3D-FLAIR），和 "长 "TR为16,000毫秒（l3D-FLAIR），所有患者都经静脉注射单倍剂量（0.1mmol/kg 体重）的钆布醇（加乐显®），并延迟4小时进行成像；对感兴趣区（ROI）s3D-FLAIR和l3D-FLAIR获得的信号强度比（SIR）和对比度-噪声比（CNR）进行了定量评估并进行比较，同时还评估了两种序列中内淋巴空间的形态；研究结果表明，3D-FLAIR序列对外淋巴间隙内低浓度钆对比剂的敏感性可通过延长TR而得到改善，SIR和CNR分别增加了34.4 和41.3%。
Barlet J等[18]尝试缩短静脉注射钆对比剂和MRI采集之间的4小时延迟时间，使用优化的3D-FLAIR序列对梅尼埃病患者进行内淋巴积水的评估；这是一项单中心前瞻性研究，共纳入29名患者（58耳）；所有患者采用优化的3D-FLAIR序列在静脉注射单倍剂量钆布醇（加乐显®）后1小时、2小时和4小时进行3T MRI内耳成像；除对感兴趣区的信号强度进行定量评估外，还对内淋巴结构（囊状物、胞衣）的体积，以及在每个采集时间内是否存在内淋巴积水和血-迷路屏障损伤进行评估；研究结果证明，使用优化的3D-FLAIR序列可以将采集时间从4小时缩短到2小时，对内淋巴积水和血-迷宫屏障损伤的诊断有很高的可靠性。
横轴位3D FLAIR显示双侧耳蜗的基底转弯处图像（A.平扫；B.延迟1小时；C. 延迟2小时；D. 延迟4小时）。在静脉注射钆布醇后2小时和4小时的成像中，可观察到左耳的血-迷路屏障（BLB）受损，左耳蜗基底转弯处的信号强度较高；但在延迟1小时的成像中没有观察到。
目前，通过结合各种先进的方法，如改进的HYDROPS、HYDROPS-Mi2以及通过深度学习的降噪方法，可以在5分钟内通过静脉注射单倍剂量（IV-GBCA）获得清晰的图像，以方便诊断[19,20]。
一名40岁的男子，怀疑内耳积水。HYDROPS-Mi2图像是在静脉注射单倍剂量钆布醇（加乐显®）4小时后，在3T MR上获得的，该图像利用深度学习重建去噪，图像采集时间总共为20分钟，可以清楚的看到左侧耳蜗和前庭有明显的内淋巴水肿（箭头）。
总结，随着磁共振硬件水平的提高、序列参数的不断优化、人工智能在图像重建中的应用，再结合高浓度高弛豫率的磁共振对比剂，经静脉注射单倍剂量钆对比剂的延迟增强MRI在未来会更多的应用在内耳疾病的诊断和疗效评估中。
在2024年发表的《2022年中国恶性肿瘤流行情况分析》中，肺癌的发病率是遥遥领先其他恶性肿瘤的。
对于肺癌来讲，筛查、早诊、早治的临床获益是最大的。国内实际上很多专家早就提出了采用低剂量CT进行肺癌筛查。
发表在《内科学年鉴》上的一项回顾性队列研究显示，对于接受低剂量计算机断层扫描（LDCT）进行肺癌筛查（LCS）的患者，下游操作和手术并发症的发生率高于国家肺癌筛查试验（NLST）中观察到的结果。Part 1 使用LDCT进行LCS的重要依据：
众所周知，在美国国家肺筛查试验（National Lung Screening Trial）中，研究人员对超过53,000名当前或以前的重度吸烟者进行了筛查，并得出结论，接受低剂量螺旋计算机断层扫描（LDCT）扫描的参与者死于肺癌的可能性比接受标准胸部X光检查的参与者低15%至20%。CT 扫描提供整个胸部的图像，使医生能够识别可能是癌症征兆的结节。
引文 doi: 10.1038/s41598-021-91852-6. Part 2《中国肺癌低剂量CT筛查指南（2023年版）》：
诱发肺癌的危险因素有：吸烟、性别、年龄、家族病史、生活习惯、环境污染、心理精神状况等。本次指南更新将除吸烟外的其他危险因素也考虑在内。
（1）年龄介于50岁-80岁
①吸烟史：吸烟≥20包年（每天吸烟包数×吸烟年数）或被动吸烟≥20年，若现在已戒烟，戒烟时间不超过5年
②有长期职业致癌物暴露史：长期接触氡、砷、铍、铬及其化合物，石棉，氯甲醚，二氧化硅，以及焦炉逸散物和煤烟等肺癌致癌物
③一级、二级亲属患肺癌，同时吸烟≥15包年或者被动吸烟≥15年
④如果某些高发地区有其他重要的肺癌危险因素也可作为筛选高危人群的条件2。
引文 doi: 10.3779/j.issn.1009-3419.2023.102.10。Part 3 为了确定与LCS相关的下游操作和并发症的发生率（to identify rates of downstream procedures and complications associated with LCS），一项回顾性队列研究对5个美国医疗保健系统中自2014年至2018年期间完成LCS基线LDCT扫描的个人进行数据收集，结局包括下游影像学检查、侵入性诊断程序和手术并发症。针对每一项，计算总体和据筛查结果、肺癌检测进行分层后的绝对率，并计算阳性和阴性预测值。
结果：在 9266 例筛查患者中，1472 例 （15.9%） 基线 LDCT 扫描显示异常，其中 140 例 （9.5%） 在 12 个月内被诊断为肺癌（阳性预测值，9.5% [95% CI，8.0%至11.0%]；阴性预测值，99.8%[CI，99.7% 至 99.9%]；敏感性，92.7%[CI，88.6% 至 96.9%]；特异性，84.4%[CI，83.7% 至 85.2%]）。筛查患者下游影像学检查和侵入性操作的绝对发生率分别为31.9%和2.8%。在异常发现后接受侵入性手术的患者中，并发症发生率明显高于NLST（任何并发症为30.6%对17.7%；主要并发症为20.6%对9.4%）。结论：在真实实践中，与LCS相关的下游操作和手术并发症（downstream procedures and complications）的发生率明确高于NLST中观察到的结果。为了力保筛查获益大于潜在危害，可能需要谨慎评估筛查的必要性，改进诊断管理。
Part 4 NHS-Galleri
2021年，GRAIL发表了循环细胞游离基因组图谱研究（Circulating Cell-free Genome Atlas，CCGA）的最终结果。
2022年，GRAIL宣布了PATHFINDER多癌种早期检测筛查研究的最终结果。
如今，已经关闭入组的NHS-Galleri试验是一项癌症早诊研究试验，目的是看看将Galleri测试与现有的癌症筛查一起使用是否有助于及早发现癌症。大约有14万名年龄在50至77岁之间在过去 3 年内未被诊断或治疗过癌症的志愿者注册参加了这项试验。英国癌症研究中心和伦敦国王学院癌症预防试验部门负责协调这项试验并分析结果。
筛查早诊对肿瘤患者的帮助有目共睹，然而对于筛查实践中更多的非肿瘤患者，由于可疑影像而接受更多的后续影像检查、侵入性操作和并发症，却又增加了个人和国家的医疗负担。
谨慎评估筛查的必要性似乎是目前最重要的解决方法，期待未来更加灵敏便捷的方式出现，造福人类。
心脏磁共振（CMR）是评估心腔结构、心脏收缩功能和无创检测心肌组织特征的“金标准”。首过负荷灌注CMR（负荷-CMR）可准确和经济的检测心肌缺血和指导血管重建策略。尽管单次CMR扫描可提供大量的信息，但由于采集时间过长（CMR的平均采集时间可长达45分钟，如果是负荷CMR，则额外需要15分钟），导致成本增加，并对患者的舒适度和依从性产生负面影响，因此限制了CMR在临床上的广泛使用。
如何缩短扫描时间是CMR面临的一个重大挑战。传统上，缩短扫描时间的主要驱动力为经济的可负担性、患者的舒适性和依从性以及影像设备资源的优化。新冠大流行给医疗系统带来了额外的负担--包括重新安排以前被取消的检查、继续进行当前的常规检查，实施额外的卫生安全措施等（保持社交距离和对设备进行消毒清洁等）1。
磁共振的设备厂商进行了很多的技术创新以缩短CMR的扫描时间：包括更快的图像重建、并行成像、压缩感知和自动化的扫描流程。最近，飞利浦与西班牙国家心血管研究中心（CNIC）合作开发了一种新的3D超快速心脏磁共振成像方案2，此成像方案包括基于“通过静态外容积减法增强感知编码（ESSOS）”的三维各向同性的电影序列（isotropic 3D cine）以及三维各项同性LGE (isotropic 3D LGE)，用以评估心脏的解剖和功能。此项前瞻性研究共纳入107名患者，比较了新成像方案和传统成像方案的图像质量和诊断准确性，研究结果表明：ESSOS单次屏气式三维CMR可以准确评估心脏的解剖结构和功能；将ESSOS与3D LGE相结合，可以在小于1分钟的采集时间内完成心脏检查；这个新的成像方案扩大了 CMR的适应症、降低了成本并提高了病人的舒适度（和2）。
ESSOS，即Enhanced SENSE by Static Outer volume Subtraction，也翻译为基于外周体积剪影的SENSE法，可以用于单次屏息3D Cine和3D LGE。
（A,B）2D和3D舒张末期短轴cine图像。(C,D)2D和3D收缩末期短轴cine图像。(E,F)2D和3D舒张末期四腔心长轴cine图像。(G,H)2D和3D收缩末期四腔心长轴cine图像。(I,J)2D和3D舒张末期短轴LGE图像。(K到M)3D cine和3D LGE图像可自由得到其他轴面的图像。虽然以上这些技术的进步可有效的缩短CMR扫描时间，但由于需要昂贵的硬件和软件升级而受到限制。另一方面，以解决临床问题而进行的工作流程和序列的优化也可有效地缩短了CMR的扫描时间，并同时维持诊断效能。例如：一种非对比增强、6分钟、10次屏气的CMR扫描方案用于评估地中海贫血患者的心脏和肝脏铁负荷、心肌功能和心外解剖3,4；一种只需标准CMR一半时间的心胸MR扫描方案用于排除心肌炎和肺栓塞5；两种负荷CMR扫描方案用于评估诱发性心肌缺血，时间小于30分钟6,7；一项旨在优化扫描时间和对比剂注射剂量的高通量钆布醇增强CMR研究表明8：在进行电影序列扫描前注射0.1mmol/kg剂量的钆布醇，并在注射后10分钟进行LGE的快速低剂量扫描方案，与在进行电影序列扫描后注射对比剂并使用较高剂量的钆布醇（0.2mmol/kg）的扫描方案相比，不会显著的丢失诊断信息；这种扫描方案可以减少检查时间和费用，并将患者的对比剂暴露降至最低。
尽管以上这些扫描方案非常省时，但单一扫描方案无法应用到对其他心脏疾病的评估。在INCA-Peru的研究9中，开发并验证了一种评估心肌病的18分钟CMR扫描方案（包括左心室长轴和短轴扫描、主动脉瓣扫描和延迟钆增强成像）。作者报告说，有56%的患者在CMR的驱动下改变了治疗方法，这与国际登记研究10的结果一致，证实了延迟钆增强在扫描方案中的重要性，并提高了CMR在中低收入国家的可行性和成本效益。尽管此方案应用相对广泛，该方案应用相对广泛，覆盖心肌病和心肌存活的评估，但没有纳入更先进的组织特征检测序列（如 mapping）。精确检测心肌组织特征，可为评估左心室肥厚、弥漫性纤维化、心脏炎症、浸润性疾病和无阻塞冠状动脉的心肌梗死等情况提供独特的诊断和预后信息，因此不应省略。
最近，Torlasco, C等发表在《Journal of the American Heart Association》的一项研究1探索了使用更完整但仍然简短的定制化CMR和负荷灌注-CMR成像方案应用于关键适应症（心肌病和缺血性心脏病），并对特定疾病增加有针对性的高级组织特征检测（T1 mapping和细胞外间隙容积ECV、脂肪和水肿）和额外的电影序列（右心室[RV] cine），但整体扫描时间大大缩短，目标是比INCA-Peru研究中的快速CMR扫描方案延长不超过10分钟以及比传统的扫描方案至少缩短10分钟。
本研究将新的CMR扫描方案应用于2020年6月1日至7月29日转诊到本院进行CMR或负荷CMR检查的患者（定制CMR组）；对照组由2019年2月1日至2020年1月30日接受标准CMR和负荷CMR扫描的患者组成（标准CMR组）。标准CMR组的患者特征，如年龄、性别、首次诊断时扫描与后续扫描的比例以及是否存在心律失常方面与定制CMR组的患者特征相似。
除了评估定制化CMR扫描方案是否可以缩短扫描时间外，本研究还试图评估CMR的诊断结果是否可以改变诊断或疾病管理以及先进的心肌组织特征信息是否可以改变诊断的信心。
与标准CMR扫描方案相比，定制化CMR扫描方案的平均扫描时间下降了30%以上（CMR：从42±8分钟到28±6分钟；负荷-CMR：从50±10分钟到34±6分钟，P值均<0.0001）。
无论应用何种扫描方案，CMR的诊断结果对60%的病例有影响，而高级心肌组织特征信息对45%的病例有影响。
综上，在以新冠大流行为主导的医疗服务压力下，提高CMR的流通量很有必要。通过对工作流程的优化和序列的选择，形成的定制化的CMR扫描方案（包括负荷和完整的心肌组织特征信息），可以充分解决临床问题，且对于心肌病和缺血性心脏病等主要适应症的平均扫描时间减少30%以上，这对于CMR在全球范围内更广泛的普及有潜在的好处。
AI 脑 MRI 与阿尔茨海默
1. DCE：MRI评估脑小血管病血脑屏障完整性的价值
胡兄毕业于中国医科大学，也是学医学影像学。曾经在飞利浦Philips MRI做过磁共振临床应用培训，此后又去GE公司做了磁共振临床应用培训，后来负责过东南亚客户的培训。目前在拜耳公司任职。本章讲了DCE-MRI对于脑小血管疾病血脑屏障完整性评估的价值。
脑小血管病cSVD是严重危害我国人民健康的常见疾病，由于多起病隐匿，容易被患者甚至临床医师忽视；包括血脑屏障损伤在内的内皮功能障碍在该病早期发展中起重要作用。
DCE-MRI是目前评估血脑屏障完整性的首选定量成像技术。
HARNESS（HARmoNising Brain Imaging MEthodS for VaScular Contributions to Neurodegeneration）为相关研究人员提供关于DCE-MRI评估血脑屏障完整性的全面信息、建议和基于共识的推荐，并描述技术的局限性，以便研究者和读者更好地评估研究的质量和意义，并确定有利于未来临床应用的研究和开发领域。
脑小血管病（cerebral small vessel diease, cSVD）是指各种病因影响脑内小动脉及其远端分支、微动脉、毛细血管、微静脉和小静脉所导致的一系列临床、影像、病理综合征。目前对于脑小血管的定义更为宽泛，不仅包括上述小血管，还包括这些小血管周围2～5mm的脑实质和蛛网膜下腔内的血管结构。根据2013年国际血管改变神经影像标准报告小组的标准，其主要影像学特征包括近期皮质下小梗死（recent small subcortical infarct, RSSI）、脑白质高信号（white matter hyperintensity, WMH）、血管周围间隙（perivascular space, PVS）、脑微出血（cerebral microbleed, CMB）和脑萎缩。
cSVD是引起卒中的常见原因，约占所有卒中的20%~30%，根据卒中分型，我国小动脉闭塞所致的cSVD约占缺血性卒中病因的30%。cSVD合并高血压1年卒中复发率为14%，其中不合并高血压者复发率为9.3%。cSVD也是引起老年人认知损害及痴呆的主要原因之一。
在60～70岁的人群中，有87%存在皮质下WMH，68%存在脑室周围WMH；而在80～90岁的人群中，100%存在皮质下WMH，95%存在脑室周围WMH。
CMB患病率为24%，并随年龄增长逐渐增加，45～50岁人群中CMB发生率约为6%，年龄≥80岁人群中可达36%。
我国资料显示，PVS的发病率高达79.9%，基底节区PVS的发病率略高于白质区。
cSVD的危险因素较多，可分为不可干预和可干预的危险因素两大类。前者主要包括年龄和遗传因素，性别和种族因素目前尚有争议。高血压是cSVD最明确、最重要的可干预危险因素，此外，血压变异性与cSVD影像学标志物（尤其是WMH）高负荷相关。其他可干预危险因素包括吸烟、糖尿病、阻塞性睡眠呼吸暂停、慢性阻塞性肺疾病、慢性肾功能不全、高脂血症和高同型半胱氨酸血症等。
任何原因引起的神经血管单元（NVU）结构或功能改变均可导致cSVD。cSVD的常见发病机制包括慢性脑缺血与低灌注、内皮功能障碍及血脑屏障（BBB）破坏、组织间液回流障碍、炎症反应和遗传因素等，不同机制间存在交互作用。
目前普遍认为包括BBB损伤在内的内皮功能障碍是该病的早期改变，可影响脑灌注导致髓鞘受损；同时紧密连接蛋白的表达下降，血脑屏障受损增加血管的渗漏，血浆白蛋白等大分子物质通过血脑屏障进入脑实质造成脑白质病变。因此人们越来越关注使用先进的神经成像方法获得定量的功能学信息，如脑血管反应性、脑血流量(CBF)和搏动性以及BBB的完整性（integrity）以评估内皮功能。
cSVD的临床表现异质性较大，分为两类：急性缺血性cSVD和慢性隐匿起病的临床综合征。急性缺血性cSVD表现为特定的腔隙综合征，慢性cSVD可无临床症状，多依靠影像学检查诊断。随着cSVD负担逐渐加重，患者可出现认知障碍、运动障碍、情感障碍和二便障碍等症状。
脑小血管病的临床表现缺乏特异性，诊断主要依靠影像学检查。如果患者有血管病危险因素或家族史，或随着年龄增长而出现了cSVD的临床表现，在排除了其他疾病的情况下应考虑cSVD。
头颅MRI是诊断cSVD的首选影像学方法，包括T1WI、T2WI、DWI、FLAIR等序列，推荐完善T2加权梯度回波序列（T2-GRE）、SWI或增强T2*加权血管成像（ESWAN）序列以检测CMB。
扩散张量成像（DTI）对WMH有良好的诊断和预测作用，利用DTI技术建立的连接组学可以更具体地分析WMH导致功能障碍的区域以及功能连接。功能MRI技术也具有相同的作用。
动态对比增强MRI（DCE-MRI）能较好地评价血脑屏障(BBB)破坏程度。
在腔隙成像方面，7T-MRI比3T-MRI能更精确地描述皮质的小梗死。
正电子发射断层扫描（PET）在诊断cSVD中更倾向于定量评估脑代谢改变，在区分血管性和退行性认知障碍中起重要作用。
可以应用相应的评价量表对病变严重程度进行评估，推荐应用cSVD影像学总负荷评分表评估脑小血管病的总体严重程度。对存在家族遗传倾向并且出现特殊临床症状的cSVD患者建议完善基因检查。
虽然目前证据有限，但对皮质下小面积梗死或cSVD引起的血管性认知障碍患者的一些研究表明，BBB渗漏（leakage）的轻微增加与cSVD的临床或影像特征有关。这表明BBB破坏在脑组织损伤的发展以及临床影像特征随时间推移的进展中具有重要的病理生理学作用。因此BBB的完整性（integrity）是病理生理学研究中的一个重要评估目标，并可在评估疗效方面发挥重要作用。然而，与cSVD、衰老或痴呆相关的BBB渗透性(permeability)升高一般非常轻微，与急性炎症、肿瘤或梗死导致的BBB严重破坏相比更难以测量。在注射钆对比剂(GBCA)后，cSVD导致的BBB损害（degradation）对增强后T1加权成像及FLAIR成像信号变化的影响较小，因此需要应用更为精确的定量方法予以测量。
DCE-MRI是评估cSVD和其他疾病所导致的低渗透性(permeability)BBB破坏的首选定量成像技术。在该方法中，通过组织水的T1缩短效应检测顺磁性GBCA在细胞外血管间隙(EES)中的缓慢蓄积。通过测量血管（“血管输入函数[VIF]”）和组织中的GBCA浓度，可以区分血管内外成分对信号增加的贡献程度；然后使用药代动力学模型拟合组织浓度，以区分血管内和血管外成分。应用该方法可定量估计BBB渗漏率（leakage rate）、血浆容积分数和其他生理指标。
DCE-MRI评估低渗透性BBB破坏的局限与挑战。在实践中，由于研究者们对DCE-MRI采用了不同的采集和分析方法，且这些方法涉及到许多假设，并存在重大的、有时无法量化的局限性，从而会使临床结果难以被解释，并阻碍测量结果在不同研究之间和不同研究中心之间的比较。还有一些局限来自于测量非常轻微的BBB渗漏（leakage）时实际操作和技术的挑战，包括较差的图像对比度和伪影等。DCE-MRI测量BBB渗漏（leakage），包括与每个采集和处理步骤相关的主要挑战、不确定因素和缺点。HARNESS（HARmoNising Brain Imaging MEthodS for VaScular Contributions to Neurodegeneration）于2016年成立，由多国联合计划-神经退行性疾病研究(JPND)资助。HARNESS的目标是规范和推广神经影像学的扫描和分析方案，以量化血管疾病对痴呆和神经变性的作用。作为这一倡议的组成部分，一个由磁共振（MR）物理学、神经放射学和神经病学专家组成的分组在2017年召开四次会议，讨论BBB渗漏（leakage）成像的新兴技术---主要为DCE-MRI，因为它是目前公认获得脑组织BBB渗漏（leakage）定量参数的最先进和最有前途的技术。HARNESS共识对BBB渗漏成像技术的实施和未来发展建议的主要总结如下表：
QA项目，包括志愿者的“假”DCE-MRI（无对比剂）
3D扰相梯度回波或3D饱和恢复扰相梯度回波。空间分辨率足以确定VIF和感兴趣的最小结构，无部分容积效应
15-20min DCE-MRI采集时间。序列参数和注射方案对精确度和准确度的影响。基于最新的（例如，EMA/FDA）安全性指南进行选择。新型、安全的对比剂，T1弛豫率和BBB通透性更高。信号-浓度转换，使用造影前T1测量（如可用）。药代动力学建模（通常为Patlak）将时间-浓度数据拟合至适当值。报告代表性PS(KTrans)测量值。尽可能减少由于部分体积伪影和图像配准错误导致的组织间交叉污染。开发和验证后处理方法，以减少参数图中噪声和伪影的影响。KTrans或PS 报告为GBCA的“渗漏率”。DCE-MRI和T1测量采集和分析的完整报告。关于PS精度和准确度的数据，包括与其他测量BBB完整性的对比验证。缩略语：BBB，血脑屏障；DCE-MRI，动态对比增强磁共振成像；GBCA，钆对比剂；KTrans，体积转移常数；PS，渗透性-表面积乘积；VIF，血管输入函数。
HARNESS推荐方案中关于钆对比剂的选择。渗漏率及其测量的准确性和精度可能取决于对比剂的分子大小、形状和化学性质。但目前还没有令人信服的数据支持选择某种特定的GBCA用于BBB完整性的研究。从理论上讲，应选择具有高T1弛豫率、高BBB通透性和长生物半衰期的对比剂，从而获得更低的渗漏检测下限。对比剂的选择也应考虑安全性问题，应选择NSF和钆沉积风险更低的对比剂并同时按照临床推荐的标准剂量使用。
尽管DCE-MRI是目前最先进和最广泛应用的定量评估血脑屏障完整性的方法，然而该技术在测量轻微的BBB渗漏方面还相对不成熟。期待研究者未来进一步规范、发展和验证该技术，从而使其在包括cSVD在内的一系列神经系统退行性疾病评估中发挥更大的作用。
2. 人工智能系统脑MRI鉴别诊断精度接近神经放射科医生水平
背景：虽然人工智能(AI)在放射学的许多方面都显示出很好的前景，但在脑MRI中使用人工智能来进行罕见和常见疾病的鉴别诊断(differential diagnoses)尚未得到证明。
目的：通过与放射科医生的比较，评价一种用于脑MRI鉴别诊断的人工智能系统。
材料和方法：这项回顾性研究测试了2008年1月至2018年1月期间，利用脑MRI诊断的19种常见和罕见病的患者中，AI系统用于概率诊断的性能。AI系统结合了数据驱动和领域专业知识方法，包括深度学习和贝叶斯网络(Bayesian networks)。使用深度学习检测病灶。在此基础上，采用基于图谱的配准和分割方法提取了18个定量成像特征。第三，利用贝叶斯推理将这些影像特征与五个临床特征相结合，进行基于概率的分级鉴别诊断。在一个有86名患者的训练集(平均年龄49±16岁[标准差]；其中有53名女性)上，定量特征提取算法和条件概率进行了微调。通过对一个有92名患者的独立测试集 (平均年龄47±18岁；其中有52名女性)进行诊断，将鉴别诊断算法概率为前三的判别与放射科住院医生、普通放射科医生、神经放射科研究员和学术神经放射科医生的诊断结果进行对比。
结果：人工智能系统(91%正确)概率为前三的诊断的表现与学术神经放射科医生(86%；P=.20)相似，但优于放射科住院医师(56%；P=.001)、普通放射科医生(57%；P，.001)和神经放射学研究员(77%；P=.003)。人工智能系统的性能不受疾病流行的影响(普通疾病的准确率为93%，罕见疾病的准确率为85%；放射科医生诊断普通疾病比罕见疾病更准确(78%对47%，P<0.001)。结论：脑MRI的AI系统对于大脑疾病的鉴别诊断总体上接近神经放射科医生的位列前三的鉴别诊断准确率，并超过了专业程度较低的放射科医生的诊断准确率。
人工智能(AI)显示出了改变医疗卫生和医学影像的巨大潜力，其中深度学习是影响最大的AI工具(1，2)。深度学习在神经放射学中许多成功实现都是为了提取发现(extracting findings)，如头部CT图像中的出血等(3-5)。尽管被证明有用，一个完整的诊断系统必须适用于罕见疾病的诊断。尽管可用于训练的案例很少，但必须可区分大量诊断，并提供直接访问用于得出诊断的中间特征(intermediate features)的途径。
在像放射学这样一个固有的概率性领域，具有相关疾病概率的鉴别诊断，而不是单一的最佳诊断输出，是指导管理的关键(6，7)。贝叶斯推理(8)提供了可以直接进行疾病几率计算的机会，考虑到图像和临床特征以及罕见和常见疾病的基线概率，可以直接提供这种计算。信息系统是一项非专业人员和深度学习都不能胜任的任务。
由于不同AI方法的互补性，我们试图开发一种系统，通过使用一组AI工具，对放射科医生用于MRI解释的三个连续步骤进行计算建模。系统采用深度学习的方法检测图像异常，通过大量的实例训练，模拟放射科实习医师学习识别异常图像的过程。第二，它通过现有的MRI序列，利用定量输出的图像处理对异常进行表征，类似于放射科医生明确描述影像特征或发现。
虽然这个过程的第一步，图像异常检测，是纯数据驱动的(即从训练数据中学习)，但第三步是由专家导出(expert-derived)条件概率的形式，明确地从领域专业知识中获得信息。一个提取图像特征的系统，从概率上区分出感兴趣的诊断，不需要额外的训练数据来推导出鉴别诊断。相反，训练数据的需要可以由专家知识来代替，这些图像特征的概率给定每个诊断的概率。为了验证这样一个复合的数据驱动和领域专家知识的自动化系统的输出，将其诊断性能与不同专业水平的放射科医生进行了比较。我们假设该AI系统在诊断方面的表现可以达到学术神经放射科医生的水平，以19种影响大脑半球的常见和罕见的疾病为重点进行了概念验证。
这项符合《健康保险可移植性和责任法案》的回顾性研究获得了我们的机构审查委员会的批准，并豁免了书面知情同意书。
共有178名研究患者(其中有105名女性；平均年龄48±17岁[标准差])，每个患者有一个匿名的脑MRI数据，是在2008年1月至2018年1月期间获得的。根据和附录E1（在线）中详述的程序，研究数据从我院的图片存档和通信系统中获得（表1）。
. 流程图显示了根据排除标准进行的研究选择（从最初的患者搜索到训练集和测试集的随机化）。FLAIR = 流体衰减反转恢复，IRB = 机构审查委员会。
-患病率等级(prevalence ratings)是由两位神经放射科医生协商一致确定。免疫状况(immune status)是根据预先定义的条件或在患者进行MRI扫描时所进行的药物治疗的清单来确定的：人类免疫缺陷病毒(HIV)阳性(不论目前的CD4计数如何)、硫唑嘌呤、纳他利珠单抗、纳他利珠单抗、富马酸二甲酯、芬戈莫德、奥克立珠单抗、目前的化疗药物(包括甲氨蝶呤内酯)、器官移植后的免疫抑制疗法、近期(<2周)的任何类型的放疗。如果患者的电子病历中有任何临床记录提到：在促使进行MRI检查的神经系统症状出现前2周内，患者有病毒性疾病（呼吸道、溃疡性或胃肠道）病史，则认为存在病毒前驱症状(Viral Prodrome)。对于慢性(Chronicity)，急性(acute)被定义为MRI检查7天内出现的神经系统症状；慢性(Chronic) 被定义为MRI检查前持续7天以上的神经系统症状。如果患者在MRI检查前没有出现神经系统症状（如常规癌症筛查检查时的偶然发现），则其慢性被编码为无（N/A）。
ADEM=急性播散性脑脊髓炎，ALD=肾上腺白质性脑病，CADASIL=大脑常染色体显性动脉病变伴皮层下梗塞和白质性脑病，CNS=中枢神经系统，MS=多发性硬化，NMO=视神经髓炎，PML=进行性多灶性白质性脑病，PRES=后可逆性脑病综合征，SVID=小血管缺血性疾病。诊断包括19种疾病，涵盖了大量的常见和罕见的疾病，包括引起流体衰减反转恢复（FLAIR）异常的常见和罕见的疾病，重点是主要影响大脑半球的疾病。
除了影像学数据，还从每个患者的图表中提取了五个临床特征：年龄、性别、免疫状况、是否存在病毒前驱症状和临床症状的慢性化(表1)。
研究分为训练集（n = 86）和测试集（n = 92）。以前用于训练卷积神经网络的训练数据（见下文）与这里描述的86个训练研究重叠，但不与测试研究重叠。这86个病例的训练集被用来更新AI系统参数（具体来说，即为关键特征提取的阈值[见“病变特征”部分]和条件概率[见“用于鉴别诊断的贝叶斯推理”部分]）。测试集被保留下来进行独立测试。因为没有进行超参数优化，所以不需要单独的验证集。测试数据集包括从研究队列中随机选择的每种疾病的5个实例，但Susac综合征除外，由于其罕见性，我们只发现了2个患者。成像数据来自于20多个不同的物理MRI扫描仪（16个扫描仪模型跨多个位置）的各种成像参数（表2），这是典型的临床成像数据。从MR图像中提取的序列包括T1加权、T1增强后、T2加权、FLAIR、扩散加权、表观扩散系数、梯度回波或磁化率加权成像。如果一个序列（如T1后增强后）对患者不可用，则AI算法和放射科医生在没有该序列的情况下提供诊断。特定的脉冲序列具有高度异质性，仅FLAIR序列就有30多个（随回波时间、重复时间、平面内分辨率和切片厚度而变化）（表2）。
图像预处理后（见附录E1[online]），使用我们先前开发的三维U-Net架构的卷积神经网络（9）（A），基于FLAIR序列检测颅内病变。使用相同架构和训练集的两个单独训练的三维U-Nets也被应用到我们的数据，用于检测病理T1信号（10）和异常梯度回波或磁化率加权成像信号（11）。
B.利用图像处理自动提取特征。除梯度回波(GRE)易感性检测外，其余均来自原发性中枢神经系统淋巴瘤患者。有关如何提取每个特征的详细信息，请参见材料和方法部分。
C.对每个患者的每个病变都计算出多个定量特征，包括本例中所示的病变。为了开发鉴别诊断，将阈值化的特征在贝叶斯网络中进行概率组合。
D.贝叶斯网络示意图，展示了AI系统的朴素贝叶斯结构，具有用于区分大脑半球疾病的完整特征集，分为临床、信号、空间和体积四类。ADC=表观扩散系数，ANTs=高级归一化工具，CC=胼胝体，DWI=弥散加权成像，FLAIR=流体衰减反转恢复，vol=体积。
图像处理是通过使用内部修改的开源高级标准化工具软件包（版本2.1；https://github.com/ANTsX/ANTs）（12,13）（详见附录E1[online]）实现的。FLAIR U-Net的病变mask叠加到每个MRI序列，利用提取的组织分割及标准模板来提取每个被试的18个感兴趣的特征（B和C）。提取定量图像特征（例如以立方毫米为单位的病灶体积），然后对其进行阈值处理，以获得定性特征状态（例如，大、中、小病灶）。阈值由专家知识设定，并利用86个训练数据的训练结果更新阈值。附录E1（online）中提供了所有18个被提取的信号（n = 5），体积（n = 6），空间（n = 7）定量特征，以及5个临床特征的详细描述。
对于每个患者，18个影像学特征加上5个临床特征，通过使用朴素贝叶斯推断法（可查阅https://github.com/rauscheck/radai）计算出每个可能的诊断概率（D）。贝叶斯条件概率是利用领域的专业知识来确定的，使用综合神经放射学教科书（14）和现有文献（15-19）中发表的统计学方法，另外，两位神经放射学专家（A.M.R.，神经放射学研究员，和S.M.，有12年的研究员经验）也就此达成了共识。这个过程的目标是将专家们对特征和疾病之间的概率映射的知识进行封装。将专家推导的概率与对86个训练数据进行训练所得的特定疾病频率特征状态进行加权平均，概率映射随后被调整为近似于此加权平均概率。
为了比较AI系统与放射科医生的表现，测试数据被匿名并独立呈现给4名放射科住院医师（2名两年和2名四年住院医师）、2名神经放射科研究员（各接受过9个月的研究员培训）、2名普通放射科医生（他们经常阅读脑MR图像；1名进行过神经放射科研究员培训；分别有20年和21年的培训后经验）、2名我院三级医疗中心的学术神经放射科主治医师（I.M.N.和S.M, 分别具有7年和12年的培训后经验），使用我院图像存档和通信系统中的标准挂片协议(a standard hanging protocol)。放射科医生得到了与AI系统相同的MRI序列和临床特征。他们被告知诊断结果在患者中的平均分布。在19种可能的诊断中，放射科医生提供了他们最有可能的三种诊断(“判别诊断”)。
为了在考虑数据的成对性的同时将AI系统与放射科医生进行对比，使用了一个具有鲁棒的方差估计器(robust variance estimator)的通用估计方程(generalized estimating equation)，以与AI系统精度比较的比值比(OR)表示为基线，比较三个独立的结果指标：鉴别诊断概率第三的正确诊断、鉴别诊断概率第二的正确诊断、鉴别诊断概率第一的正确诊断。在此模型中指定了放射科医生的类别（主治医师、住院医师、普通放射科医生、住院医师和AI系统），独立阅片医师被分配在他们各自的类别中。采用McNemar检验对AI系统与放射科医生进行比较。通过使用在判别诊断中的位置来创建四个置信水平的顺序标尺，构建受试者工作特征曲线，作为第1名、第2名和第3名的差异化诊断性能的总结性衡量，并引导计算出受试者工作特征曲线（AUCs）下95%置信区间（CI）的面积。根据疾病发生率，𝝌2检验被用于比较正确判断的病例比例。独立阅片医师混淆矩阵之间的相关性被评估。除了广义估计方程是通过使用Stata（版本13.1;StataCorp，College Station，Tex）来实现的，所有其他的统计分析都是通过使用MATLAB（版本r2019a;Mathworks, Natick, Mass） 来执行的。P<.05被认为具有统计学意义。详见附录E1（online）。
训练集和测试集分离后，训练集包括86项研究数据，测试集有92项研究数据（表1），涉及19种不同疾病。训练集和测试集在年龄（P = .38；双尾t检验）和性别（P = .49；𝝌2检验）之间没有显著性差异。除Susac综合征（n = 2）外，每种疾病的测试研究数量固定为5个，训练研究的数量从0到7个不等。训练数据仅用于微调专家定义的关键特征阈值和贝叶斯条件概率，因此训练数据不需要等比例的诊断。
-除非另有说明，否则数据为每类研究患者的数量，括号内为百分比。TE = 回波时间，TR = 重复时间。
- TE和TR值用于流体反转恢复（FLAIR）图像，这构成了深度学习算法检测病变的基础。
- 综合人工智能系统会输出与19种疾病中的每种疾病相关的概率。概率最高的三种疾病代表了系统的鉴别诊断。在92个测试研究中，AI系统正确地将其中的84个(91%)的正确诊断置于其前3种鉴别诊断中（A）。在同一组研究中，AI系统和学术性神经放射科医生在诊断准确率方面没有差异（92个项目中76-82个项目正确[83%-89%；参与者平均正确率为86%]；95 CI%: 0.25, 1.32;P = .20 )。AI系统性能优于放射科住院医师(97个项目中37-59个项目的正确[40%-64%；参与者平均正确率为56%]；95%
- CI: 0.06, 0.27;P , .001)、普通放射科医师（92个项目中49-54个项目正确[53%-59%;95%
- CI: 0.05, 0.25;P , .001），以及有9个月工作经验的神经放射科住院医师（92个项目中63-78个项目正确[68%-85%;95%
- CI: 0.14, 0.68;P = .003）。我们还评估了该算法概率第二的鉴别诊断（B）和概率最高的鉴别诊断的表现（C），显示出与学术神经放射科医生（第二名，P = .20；第一名，P = .08）和神经放射科住院医师（第二名，P = .26；第一名，P = .78）相似的表现，并且在这两个结果指标上的表现优于普通放射科医生（P , .001）和放射科住院医师（P , .001）（表E1-E3 [online]）。AI系统与独立阅片放射科医生的比较显示出相似的结果：AI系统在所有指标上的表现都与学术性神经放射科医师相似，在第1鉴别诊断和第2鉴别诊断表现上优于两名神经放射科住院医师中的一名，并始终优于所有放射科住院医师和普通放射科医师（P值见表E4 [online]）。
A，性能是通过在92位受试者图像（19种疾病）中列出前三名鉴别诊断（DDx）的正确率来衡量。每个圆圈代表一个放射科医生，横线代表各组放射科医生的平均值。水平虚线代表AI系统的性能。误差条代表95%的二项式概率的置信区间。
D、AI系统（绿色）与放射科医生（其他颜色）的受试者工作特征（ROC）曲线比较。AI系统的曲线下面积（AUC）与学术神经放射科医生（黑色）相似。ROC曲线基于每位放射科医生提供的前一、前二、前三名最可能的诊断结果。详细信息参见“材料和方法”部分。报告的AUCs是非参数化的。
- 通过使用受试者工作特征曲线进行评估也显示出：AI系统的性能（AUC，0.92 [95%
- CI：0.88，0.95]）与学术神经放射科医师（AUC，0.90 [95%
- CI：0.89，0. 93]）相似，均优于神经放射科住院医师（AUC，0.85[95%
- CI：0.81，0.87]）、普通放射科医师（AUC，0.72[95%
- CI：0.68，0.76]）和放射科住院医师（AUC，0.73[95%
- CI：0.70，0.75]）（C）。当使用高特异性下的部分AUC值时，结果相似（表E5[在线]）。
疾病流行率对放射科医生和AI系统的影响。为了了解自动化系统的优势，对其性能进行了评估，将其与放射科医生的每项诊断分别进行对比（图E1[online]），并根据实践中疾病的常见程度进行评估。与罕见疾病(27项中6至22项正确[正确率22%-82%；放射科医生正确率百分比中位数39%])(P，0.001)相比，所有专业水平的放射科医生在诊断常见病方面表现更好(45项中有25-43项正确[正确率56%-96%；放射科医生正确率中位数77%])，中等罕见疾病表现中等(20项中6-18项正确[正确率30%-90%；放射科医生正确率中位数60%])。神经放射科住院医师（20%差异；P = .007）和神经放射科主治医师（17%差异；P = .003）在三级医疗中心遇见罕见疾病的频率更高，与其对比，住院医师（43%差异；P , .001）和普通放射科医师（37%差异；P , .001）对于常见疾病和罕见疾病的诊断差异更明显。
对于AI算法，在对常见病与罕见病的诊断方面的表现没有明显差异（绝对差异为8%；45种常见病正确诊断42种，27种罕见病正确诊断23种。通过混淆矩阵(confusion matrices)，对AI系统以及放射科医生的优缺点进行了进一步的评估。当将最高概率诊断预测为真实诊断时，对其进行评估，发现AI系统在某些诊断（如后可逆性脑病综合征和低级胶质瘤）上的表现特别好，而在其他诊断（如多发性硬化症和转移瘤）上表现不佳。不同的放射科医生和AI系统会在不同的诊断上出错（B-E）。然而，放射科医生之间的混淆矩阵比AI系统的混淆矩阵更接近，这表明AI系统和人类会犯不同类型的错误。这一观点可以通过使用混淆矩阵之间的相关性来定性地理解或量化。两位学术神经放射科医生之间的相关性（r = 0.79）高于AI系统与每位学术神经放射科医生之间的均值相关性（r = 0.71；P = .02），每位学术神经放射科医生与神经放射科研究员之间的均值相关性（r = 0.72）高于AI系统与每位神经放射科研究员之间的均值相关性（r = 0.64；P = .05；Fisher r-to-z变换）。
Act=活动，ADEM=急性播散性脑脊髓炎，ALD=肾上腺肌营养不良症，CADASIL=大脑常染色体显性动脉病变伴皮层下梗死和脑白质病，CNS=中枢神经系统，HG=高位，HIV enceph=人类免疫性病毒脑病。Inact=不活动，LG=低级，MS=多发性硬化症，NMO=视神经髓炎，PML=进行性多灶性脑病，PRES=后天性可逆性脑病综合征，SVID=小血管缺血性脑病，TLE=中毒性脑病，tumef=肿瘤活性。
重要的是，AI系统产生的概率反映了该系统对其诊断预测的可信度。对于那些AI系统预测正确诊断可能性最高的病例（n = 51 of 92），平均预测概率最高的诊断为63%，高于那些预测错误诊断的病例（n = 41 of 92）的平均预测率47%（P , .001;。通过保留贝叶斯网络中的特征（否则由AI系统计算），可以了解到这些特征对提供诊断信息的重要性（表3）。当将所有5个临床特征从输入中剔除后，整个系统的性能从可以在92个被试识别84个（91%）的正确率下降到前三个鉴别准确率只能正确识别63个（68%）。信号特征（T1信号、梯度-回声等）携带的信息最少，92个中的79个（86%）没有这些特征。只去除空间或体积特征，性能分别降低到识别92中的77个（84%）和92个中的75个（82%）。移除所有的影像学信息（只留下临床特征来决定19种诊断）仍然可以获得91例中的50例(54%)的前三位诊断准确率。没有临床特征（P , .001）的性能降低及仅有临床特征的性能远高于随机去除影像学信息的性能（P , .001）都能表明临床信息和影像学特征相结合对脑MRI诊断的重要性。
由于采集的图像的质量会随着时间的推移而提高，我们分析了AI系统的精度与研究采集数据的关系。在为期10年的研究数据采集中，诊断准确性没有明显变化（图E2[online]）。
尽管深度学习取得了一定进展，但其在脑MRI等复杂成像上提供常见和罕见疾病的鉴别诊断的效用仍然有限。为了解决现有技术的一些局限性，我们构建了一个人工智能（AI）系统将不同方法的融合在一起，优势互补。该人工智能系统接受临床脑MRI扫描作为输入，并提供判别诊断作为输出。在一些结果指标上，AI系统接近神经放射科医生对影响大脑半球的19种疾病的诊断表现（例如，前三位的正确诊断率分别为91%和86%；P = .20），为该系统提取诊断相关信息提供了强有力的支持。
该AI系统的构建是为了分别对人类放射学图像解读的感知和认知部分进行建模（20）。在异常FLAIR信号上训练的卷积神经网络检测病变（9）。然后，利用图像处理技术明确地提取出人类可理解的定量图像和病变特征。这些“研究结果”与特定的临床特征相结合，通过使用基于专家知识的贝叶斯推理，得出一个鉴别诊断（即 "印象"），并根据疾病概率进行排序。
AI系统的最终诊断部分不依赖于训练，而是将有关图像特征和诊断之间关系的专家知识封装在贝叶斯网络的条件概率中。它在常见病（93%的前三位诊断准确率）和罕见病（82%）上的表现相似（P = .26）。并且，放射科医生在常见病（78%）上比罕见疾病（47%）表现更好（P , .001）。复合式深度学习和贝叶斯AI系统的其他优势包括显式计算中间图像特征，如病变的位置或大小，以及以临床意义概率形式输出的系统输出框架。通过访问系统中所有特征，可以独立研究和提高每个组件的精度。
虽然人工智能系统产生了错误，但这些错误不同于人类产生的错误，或许是对人类产生的错误的补充。这种类型的AI算法所解决的错误类型包括明显的人为偏差，如搜索满意度（21）和严重倾斜的概率计算（22）。随着图像需求的稳步增长，并超过了放射科医生的能力（23），在提高效率（24,25）的同时减少错误，这样的方法学应该是一个对放射科医生技能值得欢迎的补充。
这项概念验证研究集中在导致大脑半球内FLAIR异常的19种常见和罕见的神经学诊断上，但在实践中遇到的其他疾病、疾病亚类和影像学表现的数量较多。虽然当前的系统仅限于区分对这19种疾病很重要的预先指定的影像特征，但可以通过计算提取出其他图像特征，包括与先前成像的比较，以用于其他疾病的诊断或提高顶级诊断性能。目前，学术界神经放射科医生在单次顶级诊断方面的表现定性地超过了AI系统的性能，需要进一步的研究来了解人类在何种条件下的表现优于该系统。临床背景和诊断的含义没有被建模到AI系统中，是放射学的组成部分，仍然是计算建模的一个重要组成部分。由于我们的研究中包括的许多诊断没有一个完全独立的病理参考标准，而是由放射学和临床随访的组合来定义，因此AI系统在这些诊断上的表现不太可能比专家放射科医生做的更好。该系统只对有单一诊断的患者，且没有手术前的患者。未来的系统将需要纳入对同一患者的多种诊断的能力（26,27）。这里描述的回顾性工作是在单一的医疗系统中进行的，可能限制了系统的通用性(28)。然而，减少对神经影像学原理的训练数据的依赖性，可能会提高普适性。
目前，学术神经放射科医生在单次顶级诊断方面的表现定性地超过了AI系统的性能，需要进一步的研究来了解人类在何种条件下的表现优于该系统。临床背景和诊断的含义没有被建模到AI系统中，并且是放射学的组成部分，仍然很难通过计算进行建模。由于我们研究中的许多诊断没有一个完全独立的病理参考标准，而是由放射学和临床随访相结合来定义，AI系统在这些诊断上的表现不太可能比专业的放射科医生做的更好。未来的系统将需要结合在同一患者中进行多重诊断的能力（26,27）。这里描述的回顾性工作是在单一的医疗系统中进行的，可能限制了系统的通用性(28)。不过减少对训练数据的依赖，转而支持神经成像原理，可能会提高普适性。
在一组19种疾病的真实临床MR图像上，它明确地提取出与临床相关的成像特征，并将这些特征组合成诊断性能，其水平超过了普通放射科医生和影像科实习医师，并接近于学术神经放射医生的水平。该研究表明，尽管训练样本较小，但当将数据驱动和知识驱动的方法结合在一起时，可以诊断出多种的疾病。前瞻性地测试该系统，及在其他机构测试该系统是重要的。我们预计我们的AI系统将具有很好的普适性，因为它已经在20多种不同的MR扫描仪类型和广泛的采集参数上运行良好。前瞻性评估很重要，因为目前的数据样本偏向于常见病和罕见病的概率近乎相等。在临床实践中，疾病患病率可以作为“先验概率”并入贝叶斯网络，但使用这样的修改从实验环境过渡到临床环境需要进行进一步的性能评估。
原文：Artificial Intelligence System Approaching Neuroradiologist-level Differential Diagnosis Accuracy at Brain MRI
AI 脑 MRI 与阿尔茨海默：国际视野，中国方案：四川大学华西医院
近日，四川大学华西医院放射科吕粟教授、胡娜教授团队联合国内外八家知名医疗机构专家（瑞士Cornavin医学影像中心、北京协和医院、上海交大附属瑞金医院、北京天坛医院、南京鼓楼医院、福建医大附属协和医院、四川省人民医院），共同在国际神经学科权威期刊《Journal of Neurology, Neurosurgery & Psychiatry》（JNNP，影响因子8.8）上发表专家共识--《Amyloid-related imaging abnormalities (ARIA) in Alzheimer's immunotherapy: a framework and challenges for global surveillance strategies》。
该文聚焦阿尔茨海默病（AD）抗淀粉样蛋白免疫治疗中面临的核心安全性问题--“淀粉样蛋白相关影像学异常（ARIA）”，系统性构建了一个旨在指导全球临床实践、同时兼顾地区差异性的影像监测与管理框架。本研究由华西医院团队牵头组织，凝聚了国内外神经影像、神经内科等多学科专家的集体智慧。
一、研究背景：AD治疗进入免疫时代，安全监测亟待“全球标准”。抗淀粉样蛋白单抗药物的应用标志着AD治疗进入新阶段，但ARIA作为其常见的、需密切监测的磁共振成像（MRI）并发症，已成为影响治疗安全性与广泛应用的关键因素。ARIA主要包括血管源性水肿/脑沟积液（ARIA-E）和微出血/表面铁沉积（ARIA-H）。当前，全球范围内在监测策略、影像标准及资源可及性方面存在显著差异，缺乏统一且适应不同医疗环境的操作框架。
鉴于ARIA管理标准在全球范围内尚未统一，且存在显著的实践差异，建立共识性指导框架已成为领域内迫切需求。基于此，四川大学华西医院吕粟教授、胡娜教授团队联合JNNP期刊，发起并组织了跨学科的国际AD与影像学圆桌会议，牵头起草了本项专家共识，旨在整合全球经验与最新证据，制定一套兼具科学性与可行性的ARIA全球监测方案。
二、核心突破：构建融合基因分层与影像标准化的整合管理框架。本项共识汇聚了多国专家的集体智慧，基于现有最佳证据，系统性地构建了一个结构化的ARIA管理框架。
- 确立APOE基因分型的核心决策地位。共识强调，载脂蛋白E（APOE）ε4基因分型应从单纯的风险标志物，升级为临床治疗决策的核心依据之一。论文系统回顾了基因剂量效应，明确指出ε4纯合子患者发生ARIA的风险显著增高。基于此，共识推荐将APOE基因分型用于指导治疗前的患者筛选、个体化风险沟通、给药方案（如采用慢滴定策略）及监测频率的制定，标志着风险管控进入精准分层阶段。
\2. 推动影像采集与分析的标准化，直面全球设备差异挑战。针对全球各地MRI设备厂家（如飞利浦、西门子、GE等）、场强（1.5T vs. 3T）及磁敏感序列（如T2* GRE与SWI）不一所带来的诊断一致性难题，共识进行了务实探讨。
序列选择：明确了T2-FLAIR、T2* GRE及DWI为核心监测序列，并对SWI的优越敏感性与潜在临床影响（如可能增加治疗中断率）进行了权衡分析，提出了在过渡期可考虑“双序列并行采集”等策略。
技术标准化：呼吁并推荐采用国际专业学会（如美国神经放射学会）发布的标准化扫描协议，并强调了在纵向随访中尽量保持扫描设备与参数一致的重要性。
急症处理路径：针对疑似症状，构建了“CT初筛排除急症，临床高度怀疑时则必须行紧急MRI确诊”的快速响应路径，以弥补CT对ARIA敏感性不足的局限。
\3. 探索AI赋能，提升诊断客观性与效率。共识明确指出，单纯依靠视觉评估存在较高主观性和阅片者间差异。积极展望并倡导开发与验证AI辅助诊断工具。文中引用数据表明，AI工具有潜力显著提高ARIA-E和ARIA-H的检测敏感性，并减少漏诊。共识认为，这类工具的未来应用将有助于缓解放射科医生负担，并在医疗资源不均的地区提升诊断水平。
三、中国方案：创新“中心-辐射”模式，应对资源分布不均的普适性挑战。基于中国幅员辽阔、医疗资源分布不均、而AD患者群体庞大的国情，共识特别介绍了以华西医院实践为基础的“中心-辐射”（Hub-and-Spoke）分层管理模式，为应对医疗资源分布不均地区的类似挑战，提供了一种潜在的解决思路和宝贵的实践经验参考。
模式架构：以具备高级别影像与专家资源的医疗中心（Hub，如华西医院）为核心，通过远程医疗技术联动区域或基层医疗机构（Spoke）。
协同运作：中心负责制定标准、复杂病例会诊、关键节点MRI扫描及人员培训；辐射点则依托标准化流程开展基础治疗、常规监测影像采集，并通过远程平台获得中心支持。
实践成效：该模式通过整合集中化专家资源与分布式医疗服务，旨在确保在资源有限环境下，患者仍能获得符合标准的ARIA监测与管理，为类似地区提供了可行性参考。
该专家共识系统梳理了ARIA管理的现有证据与挑战，提出了一个以患者为中心、融合基因信息、标准化影像和新兴技术的全球监测框架。此项由华西医院团队牵头、汇聚多国专家智慧完成的共识，系统梳理并回应了当前ARIA管理的关键挑战。它所倡导的框架及基于中国实践的探索，为全球同行提供了有益的讨论基础和借鉴。这本身即是国际学术界就该重要议题开展务实合作的一次成功实践。
未来，该框架的落地与优化仍有赖于全球真实世界数据的积累、AI等技术的进一步验证与标准化，以及持续的国际多中心合作。共识的发表为后续相关临床实践、研究及指南制定奠定了重要基础。
胡娜，四川大学华西医院放射科副主任、华西临床医学院医学影像诊断学教研室主任，主任医师，硕导，亚专业方向为认知障碍与脑血管病的影像研究与临床转化，率先在国内放射领域普及阿尔兹海默病ARIA的影像诊断。曾获国家高等教育教学成果特等奖、四川省教学成果一等奖及欧洲放射学院Jo Li奖，担任中华医学会放射学分会磁共振学组委员、中国医学装备协会磁共振应用专委会委员、中国卒中学会医学影像分会委员、中国老年保健协会脑积水专病分会委员、智能医学影像四川省工程研究中心理事会理事、成都放射专委会候任主委。
杨曦玥，四川大学华西医院放射科医师，讲师。主要研究领域为认知障碍疾病影像，如阿尔茨海默病、正常压力脑积水等。
pH、指纹与快速定量
磁共振pH成像-揭秘脑组织缺氧缺血后微环境的变化。近年来因缺氧缺血性脑病死亡的新生儿人数正在逐渐上升，并且即使治愈后，仍然有百分之二十到百分之三十的患者会留有不同程度的神经系统后遗症。进一步了解新生儿缺氧缺血性脑病，为治疗加一层保障是势在必行的。
化学交换饱和转移技术（简称CEST）在其二十多年的发展历程中，涌现出很多临床应用以及尝试，其中最为大家熟知的当属酰胺质子传递（Amide Proton Transfer）在肿瘤中的研究应用。除肿瘤研究外，CEST在大脑组织发生缺氧时（即在缺氧缺血性脑病-HIE和脑卒中-Stroke中）也具有极大的临床应用价值。
当脑组织处于缺氧的环境时，其所需能量从原来的葡萄糖有氧氧化变为依赖于无氧酵解，则产生乳酸堆积并进一步抑制葡萄糖代谢加剧细胞内酸中毒，脑组织酸碱平衡遭到破坏。作为为数不多的体内pH值定量MR技术，31P MRS由于空间分辨率低，扫描时间较长，临床应用受到限制。pH值作为影响CEST信号大小的重要因素，如何能从CEST信号反推组织的pH值大小，进而反映疾病进展，是当下一个研究热点。
APT技术创始人周进元教授首先提出用APT测量pH值变化，APT是研究位于Z谱相对于水的共振频率偏移3.5ppm化合物的CEST技术，主要用于探测蛋白质和多肽等物质的浓度，其信号值的大小主要取决于酰胺基上的氢质子和水中氢质子的交换速率。
在这个新生猪缺氧缺血的脑损伤模型中，APT值在损伤2h后迅速降低，然后逐步升高，在48-72h后恢复到对照组APT值大小。研究同时采用1H MRS监测乳酸含量，APT值与乳酸含量呈负相关。
在一个用APT评估轻度缺氧缺血性脑病（HIE）的研究中，选取了多个脑区作为ROI，并比较了HIE组和健康对照组的APT值差异：结果显示在双侧尾状核，丘脑，半卵圆中心和左侧苍白球及壳部HIE组APT值显著升高。且健康对照组中，多个脑区的APT值大小与胎龄呈正相关，HIE组则无此趋势。
缺氧缺血引起的脑组织pH值的改变，还可以直接用CEST技术进行pH成像，目前主要有三种方法：比率法，通过测量交换率对pH进行量化，以及内源性胺与酰胺浓度独立检测法（AACID）进行成像。比率法需要注射外源性对比剂，交换率的测量方法较为复杂。其中，AACID方法无需对比剂，且还具有不受化合物浓度、T1和T2弛豫、MT效应以及温度（一定范围内）这些因素干扰的优点，其原理是利用2.75ppm处氨基（amine）和3.5ppm处酰胺基（amide）的CEST信号进行pH值的计算。
从A-C可以看到，2h后的结构相和DWI并无明显改变。F-I显示4h后结构像依旧没有明显变化，DWI呈现稍高信号。D和I在2h和4h后显示明显的pH值降低，并得到了病理结果的证实。
CEST效应对pH值变化敏感。目前研究表明CEST作为一种无创的磁共振成像技术可间接或直接的反映缺氧缺血后脑组织环境酸碱平衡的变化，为组织代谢和疾病的进展提供重要信息。
磁共振指纹打印（MRF）使用定量信息来更准确地了解患者的状况。定量MRF具有巨大的潜力，可以提高组织差异并实现早期较小侵入的诊断。基于可靠的绝对数字，MRF数据可以增加后续研究中的客观比较。最终，在人工智能（AI）的帮助下，提供更个性化的治疗。MR指纹技术是定量成像新领域的前沿。
指纹打印听上去很深奥，很高大上对吧，现在我就以另外一种比较通俗易懂的方式讲述这项技术，帮助大家理解，听完之后，你就知道为什么有人能靠PPT造车融资百亿，有人拥有好技术却只能四处碰壁。所以说取名字这件事，的确需要大学问。
来做这样一件事，一个班里随机挑选3名同学，给他们编号1，2，3。首先我们让他们空腹出发，走30分钟，通过GPS在地图上记录下他们的行进路线，结束后把这张图保存下来，命名为 空腹出行30分钟.jpg , 接着回到起点给每人一块糖后继续出发，这次时间是40分钟，生成的图片命名为 一块糖出行40分钟.jpg，再回到起点给每人一个面包后出发，这次时间是25分钟，命名为 一个面包出行25分钟.jpg，以此类推，每次随机提供一些食物，随机规定一个时间，把他们的路线图都存下来。
通过这样几百次的重复，我们拥有了几百张图，把这些路线图交给计算机，通过仿真技术，将这几百张图计算模拟出上万张甚至百万张路线图，内容可能包含了 0.35块西瓜出行1.25分钟.jpg , 50杯红牛出行37.43小时.jpg。
何老师各给了3名同学一瓶脉动，让他们出行10分钟，并保存下路线图。何老师把这张路线图交给了AI，所谓江山易改，本性难移，通过大数据分析，找到了图库中一张匹配度高达99.9%的图片，复现了这个实验，何老师通过这张图里标注的信息，知道了1号、2号、3号分别是谁，并准确地获取了他们的爆发力、耐力、体重等等信息。
这样一种说法，大家是不是很快就理解了大概的技术框架呢？
传统的定量方法采用不同实验参数(如不同的回波时间TE或不同的重复时间TR), 经过多次扫描成像，获得不同参数(TE或TR)下的弛豫信号曲线；然后通过曲线拟合对T1和T2的数值进行估计。该类方法虽然可以获得T1和T2的估计值，但容易受成像条件的影响，参数估计存在误差大且耗时长的问题，无法满足临床医学应用的要求。
磁共振指纹成像(magnetic resonance fingerprinting,MRF)技术的提出，为定量磁共振成像开启了全新的时代。从信息学角度讲, MRF技术是将生物组织可能产生的所有磁共振信号的理论估计作为先验信息，为观测信号与量化参数之间构建了一种对应关系；借助模式识别、数据挖掘等信息处理技术寻找这种对应关系，实现生理病理参数的量化反演。该技术打破了传统MRI技术无法同时分离并精确估算不同组织生理参数的局限性，实现了多种生理参数的并行量化成像。相比传统MRI技术, MRF具有以下优势: (ⅰ) 可实现快速、多参数并行量化成像;(ⅱ) 图像质量受扫描条件、噪声干扰等因素影响小，数据的可靠性与可重复性强;(ⅲ) 基于模式识别的非傅里叶图像重建技术，使其具有良好抗噪声与抗运动干扰能力，可实现高质量的胸、腹等部位MR成像;(ⅳ) 有望实现亚体素级参数反演，填补目前MR技术在更高精度对物质成分观测和测量的空白;(ⅴ) MRF提供的量化生理参数图，可通过计算机仿真合成任意对比度下的常规MRI图像，而无需重复扫描。
MRF 序列是基于平衡稳态自由进动(balanced steady state free precession,bSSFP)或真稳态自由进动快速成像(true fast imaging with steady state precession,TrueFISP)序列，它对T1、T2 和偏共振频率敏感，并且该序列产生的稳态信号已经被我们熟知。
为了将成像物体的不同组织成分进行有效区分,MRF技术需要设计具有时域准随机变化特征的RF脉冲序列和空间编码机制。简单说来，就是用一组(TR,FA)快速采集一幅图像，再改变(TR, FA)快速采集一幅图像；如此重复采集数以百计的时空图像数据。这样，通过RF脉冲序列对成像对象进行多次激发获得的具有一定时域变化特征的图像，而这些图像某点的信号形成特定的时间演化曲线。因组织成分参数(如T1, T2等)以及脉冲序列参数(如FA, TR, K空间采样轨迹等)的不同，不同组织的信号具有不同的时域变化特征，我们称其为指纹。在相同的RF脉冲序列条件下，一方面，利用磁共振扫描仪对成像物体进行扫描，获得具有时域变化特征的信号演化曲线(即观测指纹信号);另一方面，利用Bloch方程，结合组织可能具有的生理参数值，通过计算机仿真获得不同参数组合下的指纹信号估计(形成字典)。字典中的每个指纹信号都可以索引到其对应的多个生理参数上，形成指纹与生理参数的对应映射关系。借助数据挖掘、模式识别等信息处理技术，搜索与指纹观测信号相匹配的字典词条，实现组织多个生理参数的并行反演。当从图像空间各点的指纹信号中反演出组织中的生理参数时，就获得了这些参数的定量图像。
MRF指纹信号的产生与采集过程。以包含400个时间点的RF序列(400组[FA, TR]参数对)为例，对成像对象进行激发，并在每个时间点(一个TR)采用非均匀螺旋采样（spiral）轨迹对K空间数据进行稀疏采样，获得一个时间点的采样数据。通过反复激发和采样，可以获得关于成像对象的400幅K空间稀疏采样数据。对每个时间点上的二维采样数据进行傅里叶反变换，得到其对应的像空间数据。同一个像空间位置上不同时间点的数据组成了该位置对应组织的观测指纹信号。由于采用了远低于奈奎斯特采样密度的稀疏采样，通常观测指纹信号中存在着严重的折叠噪声(试比较有折叠噪声的图B和无折叠噪声的图C)。
常规MRI技术需要多个TR扫描时间才能获得一幅二维平面的采样数据. MRF技术采用非笛卡尔稀疏采样模板，在一个极短的TR时间内即可按照K空间采样轨迹获得一幅二维平面稀疏采样数据. 指纹信号的形成需要对同一成像物体进行数百次采样(数百个TR), 但由于每个TR时长较短，总扫描时间接近常规的单一加权MRI(如T1加权的解剖MRI)的扫描时间。
目前, K空间稀疏采样轨迹除了非均匀螺旋(spiral)采样序列以外，还有放射状(radial)采样序列和平面回波采样序列(echo planar imaging, EPI)均可作为MRF技术的K空间采样序列. Spiral采样轨迹对于圆形FOV(field of view)具有较好的各向同性及较好的抗运动伪影效果。Radial采样轨迹同样具有非均匀分布特点，对K空间低频区具有较好采样密度，可以大大降低采样率. Spiral和Radial轨迹是目前MRF技术常用的采样轨迹。
为字典生成原理图。预先设计并构建字典是MRF技术区别于MRI技术的主要特征。针对成像物体生理参数的[T1, T2,ρ ]所有可能取值和前面图中所示的实际扫描序列(TR, FA)和系统参数ΔB0, 用Bloch方程与计算机仿真计算组织参数与扫描参数组合下的信号演化曲线(词条), 形成字典。
如原理图左侧所示, T1的取值范围为[7004200 ms],步长为5ms , 共有700 个值;T2的取值范围为[502100 ms], 步长为2 ms, 共有1025个值;ρ的取值范围为[0.6, 0.9], 步长为0.05, 共7个值. 因此，按照[T1 , T2 ,ρ ]3个参数的不同组合，该字典应包含7 0 0 × 1 0 2 5 × 7 = 5 0 22500 个词条，而每个词条包含了400个观测数据。以四组生理参数[700 ms, 50 ms, 0.6], [705 ms,80 ms, 0.85], [980 ms, 120 ms, 0.75)及[4200 ms,2100 ms, 0.95]为例，其对应的指纹信号估计(词条)为图右侧4种颜色的波形曲线. 在相同的RF序列(FA,TR)参数下，不同的组织由于其自身组织生理参数[T1 , T2 ,ρ ] 的取值，形成具有各自特殊时域变化特征的时变信号即指纹。指纹信号的可区分度不仅仅与生理参数取值有关，还与RF序列参数的时变特征相关。
字典的设计主要考虑以下两个因素。(ⅰ) 参数的取值范围，应包括实际应用中可能的参数值，但又不要过大;(ⅱ) 参数变化的取值间隔，间隔小有利于成像精度，但不利于成像速度。之前, MRF技术的字典构建通常是在扫描之前，作为离线操作不影响成像速度。然而，当多种复杂物理条件均考虑在内时，字典生成将耗时更长。为此，利用卷积神经网络通过训练实现字典的快速构建的方法，将有利于提升MRF技术的实时性能。
MRF技术通过模式识别、数据挖掘等信息处理技术，将指纹观测信号与字典库中词条进行匹配，搜索具有最大相关性的词条作为匹配词条，从而索引到其对应的量化生理参数，实现组织参数的反演。字典搜索匹配过程通常采用向量内积作为衡量词条与观测指纹信号之间相关性的测度，这是因为基于相关性的词条匹配方法对噪声干扰和运动干扰具有较好的鲁棒性。
2号--white matter白质
3号--Gray matter灰质。其多参数、快速量化成像的优势非常符合现代化精准医疗和个性化医疗的要求，必将产生深远的影响。MRF技术从提出以来，发展速度很快，但其在临床医学的应用研究相对滞后，仍处于研究初期。早日实现 MRF技术在临床上的推广应用，目前还主要面临两大类问题: (ⅰ) 技术方面，快速的数据获取与相对滞后的参数反演之间的脱节。MRF的数据采集速度已大大超过传统的MRI序列，但MRF参数图像的重建却非常费时，不能满足临床需要;(ⅱ) 临床方面，传统MRI图像解读与定量化MRF数据解释之间的转化。人们对基于对比度的传统MRI图像有丰富的经验，而对MRF数据的意义了解甚少。解决这两大类问题，还需要MR科学家、工程 师、数据科学家不懈努力以及与影像医生、技师的合作研究。
MRF的基本概念类似于指纹识别技术，即通过唯一的指纹、全面的数据库和匹配算法来识别一个人的所有信息。同样，MR指纹的目的是通过其MR信号获得组织的所有生理或物理特性，如弛豫、弥散、灌注等。这个过程是使用一个成像序列来产生不同的信号特征(或指纹)，同时取决于许多组织的特性。生成一个包含所有可预见组织属性组合的模拟信号的字典。应用模式识别算法识别信号特征，提取底层组织特性并将其转化为定量图谱。基于这一概念，MRF的初始实现能够在12秒的每层扫描时间内提供4张图(T1、T2、非共振和质子密度)，与其他快速定量方法相比，该方法具有最高的扫描效率和高容错率。
与传统的定量方法相比，MRF的关键创新在于对磁共振图像的采集、处理、可视化和用法进行了根本性的再思。数据采集对信号的形状没有要求。信号特征可以是信号的大小、相位、时域演变和组织维数。为此，不同于使用重复或连续采集来从所有组织中创建指数曲线，MRF通常采用变量励磁模式或时间控制来创建具有随机形状的信号，并同时产生对多种组织特性的敏感性。在MRF中构建词典的概念也是一种巨大的创新。字典包含基于解析模型或数值模型的模拟信号。模拟信号演变具有很大的灵活性，例如从微秒到整个采集时间的不同时间尺度，以及从微血管网络的微米尺度到MR体素的毫米尺度的不同分辨率。在信号模拟中计算混淆因素也很方便，包括常见的B0、B1不均匀性和RF缺陷。综合模拟可以将生理或病理特征从外部环境变化中分离出来，从而实现更准确和可重现的定量估计。与传统指纹技术类似，磁共振扫描也面临测量误差，如热噪声、系统和梯度缺陷、被试运动和加速扫描产生的伪影。其中有些误差可以在信号模拟中得到解释，有些则可以通过模式识别直接容忍。
MRF的基本框架流程图。MRF框架有三个主要部分：数据采集、字典生成和模式识别。数据采集包括序列参数的设计、采样轨迹以及生成图像序列或时空变化信号的重建方法。并且，基于信号模型、序列参数和系统条件的先验知识，通过模拟生成字典。利用匹配算法将采集到的信号与字典进行匹配。一旦确定匹配，就可以提取组织特性并转化为定量图谱。这个流程图代表了一个通用的框架，每个部分的设计都具有很大的灵活性。
MRF序列设计的主要目标是产生对多种组织特性敏感且在处理中可分离的非相干信号。如前言中所述，信号形状没有约束，因此几乎任何序列设计都可以用作MRF采集，多个序列模块可以在一次采集中进行组合。基本序列由参数组成，包括RF脉冲(翻转角、相位、频率、RF曲线、功率)、定时(重复时间TR、回波时间TE、反转时间TI)、梯度(空间编码、扰相、弥散/速度编码)和重复次数或时间点。在MRF扫描期间，这些参数可以有选择地改变或同时改变，以创建时间和空间不相干信号。
目前大多数MRF都基于稳态序列，因为它们具有较高的扫描效率。这种类型的序列由一串励磁、编码梯度和读取block组成，并在每个block(或TR，TR≤T2)中获得一个或多个回波。由于没有时间让自旋完全弛豫，因此获得的信号具有来自T1、T2以及B0和B1等其他因素的混合对比。与传统的稳态成像相反，稳态信号是理想的，通过反复应用相同的采集blocks来实现，MRF改变每个采集blocks的参数，这意味着信号总是处于瞬态。这样，更多可用信号演变可以用来获得独特的信息。
MRF扫描的初始实现是基于一种反转-恢复稳态自由进动序列(MRF- bSSFP或MRF- TrueFISP)。这一选择是基于广泛的现有知识，IR-TrueFISP信号及其对T1、T2和偏共振频率的敏感性。显示了使用Bloch模拟从四种常见的大脑组织(脂肪、白质、灰质和脑脊液)中预期的模拟信号演变。每种组织类型具有特有的T1和T2值，因此每种信号演变具有不同的形状。
尽管MRF-TrueFISP序列提供了具有高信噪比和多参数灵敏度的信号，但其存在的一个缺点是，在自旋移相超过π倍数的位置具有带状伪影。为了将这些伪影从感兴趣的解剖结构中去除，需要高水平的磁场均匀性或较短的TR时间。然而，这在高场强的扫描中，或者对于大规模组织覆盖的扫描来说是具有挑战性的。为了克服这些伪影，因而提出了基于部分扰相或完全扰相稳态序列的MRF扫描方法，例如MRF- FISP。这些序列引入了不平衡梯度，部分或完全扰乱了信号的相干性，从而降低了信号对偏共振的灵敏度。以梯度扰相降低信噪比为代价，这些方法消除了带状伪影，从而大大提高了MRF的鲁棒性。
其他序列变化，通过同时使用多层切片(SMS)或3D成像来提高组织覆盖率，并量化其他组织特性，如T2*、灌注、化学交换和系统属性，如B0和B1场的不均匀性。显示了脑部扫描的3D MRF结果示例，具有1mm各向同性图像分辨率。随着MRF扫描从神经成像发展到身体成像，目前已经提出了特殊的序列设计和运动补偿算法来补偿周期性或自发运动(MORF)。
.对健康被试进行MRF扫描生成的3D T1、T2和M0图。
由于MRF是基于模式识别的，其中所有预测信号演变的形式都是已知的，因此MRF对测量过程中的误差不像传统的定量方法那么敏感。这一特性为通过抑制空间欠采样误差(混叠)来加速MRF扫描提供了新的机会。与以最大化时域非相干性为目标的序列设计相似，通过模式识别来抑制混叠伪影的关键前提是使伪影与真实信号不相干。
在初始实现中，高扫描速度是通过在每个读取block中使用单次可变密度螺旋轨迹实现的。这种螺旋轨迹只采样了正常情况下所需数据的1/48，对应的扫描时间快了48倍。与Cartesian欠采样相比，可变密度螺旋轨迹具有更高的采样效率和产生非相干伪影。螺旋轨迹也在扫描期间从一个时间点旋转到下一个时间点，使混叠伪影在时间上不相干。MRF中时间和空间的不相干性促进了伪影和真实信号的分离，而不会造成模式识别步骤的偏差。虽然获得的图像被混叠伪影严重干扰，某个像素的信号演变被淹没在高度振荡的噪声中，但这些伪影与预期的MRF信号不相干，因此通过的模式识别步骤对其进行滤波。显示了高质量的组织属性映射估计，重建图像中不存在任何伪影。采用这种高度欠采样率，大大缩短了扫描时间，从15分钟获取1000张全采样图像到仅用12秒就能完成，使多参数扫描在临床上是可行的。这些采集策略使得MRF扫描速度足够快，可以在一次屏气后进行2D身体和心脏扫描，以及在不到6分钟内进行1mm各向同性分辨率的3D全脑扫描。
剔除伪影和提取多种组织属性的能力最终取决于从时域和空域获得的信息量。为了弥补每个图像的低信噪比，通常需要大量的图像，从数百到数千，甚至更多的时间样本，这延长了扫描时间。减少扫描时间的一种方法是在将图像序列输入到模式识别步骤之前，应用先进的重建算法来提高图像序列的质量。为此，任何探索空域和时域冗余度并加强数据一致性的重建算法，如并行成像、压缩感知和低秩子空间，都可以应用。关于MRF重构算法的讨论可以在各种综述论文中找到，例如(McGivney et al., 2020)。MRF重构的一个重要方面是，图像序列是整个框架的中间输出。从和的图像质量差异可以发现，在重构步骤中，判断获得无噪声定量图所需的图像质量有多好是不直观的。有研究开始将重点放在评估地图的质量上，而不是通过优化整个框架来评估每个重建图像的质量。
在MRF中，字典实际上是一个数据库，它包含了成像序列中影响信号演变的所有参数。所有的信号演变都在计算机上用解析或数值模型来模拟，以预测自旋行为。模拟的输入是采集参数，如翻转角、RF相位、梯度移相、TRs和TEs，感兴趣的组织特性，如T1、T2、弥散、灌注，以及系统特性，如RF层剖面、B0和B1不均匀性。模拟的输出通常是一个二维矩阵，时间维度包含每个TE的信号，属性维度包含所有可能的组织和系统属性的组合。
创建字典的方法有很多种。在初始实现中使用了经典的Bloch方程来模拟MRF-TrueFISP扫描的信号演变，该扫描依赖于T1、T2和偏共振。扩展相位图(EPG)可用于MRF-FISP和其他基于FISP的实现过程中，是一种更有效的从扰相梯度序列模拟回波信号的方法。MR血管指纹图谱(MRvF)构建了一个包含96条随机分布血管的微血管网络，通过梯度回波采样FID和SE (GESFIDE)序列来模拟血管指纹。MRvF信号依赖于三种组织特性：血管半径R、脑血容量(CBV)和氧合饱和度(SO2)。其他组织特性，如T2*、体素内相位分布、流动、弥散等在其他研究中也被纳入字典模拟。在大多数MRF应用中，成像前只需要生成一次字典，可用于多个受试者。
字典的大小取决于信号模型的复杂性，感兴趣属性的数量，以及每个属性的范围和步长。理想情况下，字典应该包含多维属性空间的样本，具有广泛的范围和无限高的分辨率。字典的分辨率和大小之间是有平衡的，模拟范围和分辨率的实际选择可能取决于解剖结构和目标特性的先验知识。例如，用于神经成像的MRF-TrueFISP字典可能有100到5000ms之间的T1值(2000ms以内每次增加的步长为20ms，2000ms以上每次增加的步长为300ms)、20到3000ms之间的T2值(100ms以内每次增加的步长为5 ms，100ms以上每次增加的步长为10ms)，以及-400到+400Hz之间的偏共振值(±40Hz之间的增量为1Hz，在此之上的增量更大)。随着模型变得更加复杂和输入数量的增加，模拟时间和字典的大小可能成为MRF实现过程中的一个挑战。例如，MRF-FISP字典有18838列，表示所有可能的T1和T2组合。而MRF-TrueFISP字典有一个额外的偏共振维，这将字典的大小增加到563784列。
为了减少字典的大小，人们提出了各种方法来压缩字典的时间或属性维度。采用奇异值分解(SVD)来降低时间维数，通过将字典投影到由前几个奇异向量所跨的子空间上，能够实现80-99%的压缩。计算一个较大矩阵的SVD可能是内存密集型的，在整个字典可能太大而无法存储和处理的情况下，应用一种随机SVD方法来近似字典的奇异向量，而不需要将整个字典存储在内存中。组织属性中元素的数量将随着输入数量的增加呈指数增长，这就更成问题了。有研究提出了两步映射方法。在第一步中，通过将获取的信号与粗略字典进行匹配，得到组织属性(如T1、T2和化学交换)的初始估计，其中每个组织属性的步长较大。第二步是通过多项式插值或梯度下降来细化估计，以确定更准确的结果。深度学习方法很适合解决字典大小的挑战，因为字典中的所有元素都来自模拟数据，因此可以提供无限多的训练数据。经过训练后，该网络可以利用前馈计算产生信号演变，速度快100倍以上。
在数据采集和生成字典之后，最后一步是通过模式识别生成多个定量地图。该步骤从字典中选择一个信号向量或信号向量的加权集合，以最符合观察到的信号演变。然后，所有用于在字典中构建这个信号向量的组织或系统属性都可以被同时检索。目前最常用的方法是计算每个像素中获取的信号与字典中所有信号向量的点积。以字典中点积值最大的信号向量作为匹配。该方法的实现很简单，点积结果不受两个信号之间的缩放或常数偏移的影响。这是一种穷举搜索方法，保证了模拟范围内的全局极大值，并且在几个初始的MRF研究中已经证明，对于高度混叠的伪影，这种方法是比较准确和稳健的。
研究者们可能会意识到这种穷举搜索方法的计算时间线性地依赖于字典的大小，在某些情况下，字典可能会非常长。McGivney及其同事(2014)提出的SVD压缩后的低秩子空间点积的计算速度快了3-5倍。Gauley和他的同事提出了一种快速分组匹配方法，首先根据字典中信号的内在相关性将整个字典分成组，筛除所有匹配可能性较差的组。有研究报告称，计算时间比直接匹配快了近两个数量级。自2018年以来，人们提出了几种机器学习方法，以加速模式匹配步骤，或绕过字典生成和穷举搜索步骤，直接从获取的图像生成脑地图。在后一种情况下，训练神经网络来学习非线性映射，该映射以测量信号为输入，直接输出组织属性映射。该方法只需要保存网络权值和误差，对存储空间的要求较低。处理时间也大大缩短，因为只需进行一个快速前馈计算。
定量MR是向建立疾病诊断和治疗的影像生物标志物迈出的重要一步。它可能成为一种范式转变，将目前的视觉和定性MR诊断标准转化为定量采集和分析框架。这些组织属性映射将提供与组织底层微观结构和微环境相关的可再现性数据，这使早期疾病检测、更准确的诊断和更好的治疗监测成为可能。
MRF技术允许同时进行多参数成像。所有的定量图谱都来自同一次扫描，所以它们具有完美的共配准。基于MRF信号的部分体积分析允许从相同的数据和相同的模式识别步骤中进行组织分割(如灰质、白质、脑脊液)，而无需使用其他后处理工具。显示的是同一被试的MRF扫描生成的3D组织分数图。目前，有研究实现了成人和儿童患者的高分辨率大脑成像，单个切片的扫描总时间为19秒，全脑扫描总时间为6分钟。MRF扫描也广泛应用于1.5T、3T和7T扫描仪。这些图谱可用于合成无限多的加权图像，包括临床MR中常见的T1加权、T2加权和FLAIR图像，并且无需额外扫描。
D脑组织分数图，包括灰质、白质和脑脊液，由健康被试的MRF扫描生成。
除了提高扫描效率之外，同时编码和量化多种组织属性的概念实际上也是获得多维组织敏感性和特异性必不可少的。任何磁共振扫描获得的信号都不可避免地受到多种生理和物理特性的影响。这种多维量化现已成为解决复杂组织环境的主要方法。从这个意义上说，多参数分析可以更全面地描述病理过程和治疗反应。
MRF具有良好的重复性和可再现性。例如，Jiang等人(2017a)最初就使用ISMRM/NIST弛豫体模进行了重复性研究。连续34天的体模扫描，方差在5-8%以内。Körzdörfer等人(2019a)在同一制造商的10台扫描仪上对健康被试进行了2D MRF扫描，表1列出了该研究测得的不同脑区的T1和T2值。考虑到实际的扫描条件和组织的复杂性，MRF扫描更稳健，生成的图谱可再现性更高。
总的来说，MRF的临床应用试图解决两个问题：多参数图谱是否能灵敏地检测到通常被临床MR协议忽略的组织细微变化，以及这些图谱是否能够提高疾病诊断和治疗管理的特异性。其目的是为选择合适的诊断和治疗方案提供基于图像的指导，以及在治疗早期提供准确的预后信息。多参数图像分析能够表征其他神经系统疾病。Ma等人(2019)证明了MRF图能够区分癫痫性病变和非癫痫性病变。为右侧颞顶叶癫痫患者的MR图像，显示出双侧室周结节性异位(PVN)，信号强度均匀。回顾MRF图，T1图显示出右侧枕角结节T1明显增高。这种明显的信号异常在常规MRI上是无法察觉的。对患者进行sEEG，以多个脑区为目标，包括的结节。MRF显示异常信号的结节与间歇期sEEG信号和典型癫痫发作的发作期相一致。除了异位表现外，在活动性癫痫病灶附近的正常WM中也可见T1值升高(图e，f)，这也是常规MRI图像无法识别的。另一项研究使用MRF识别颞叶内侧癫痫(MTLE)患者与健康对照之间海马区细微的T1和T2变化。将患者与健康对照者对双侧海马进行定量比较，MTLE的诊断率由69.7%提高到了96.9%。
虽然序列设计的灵活性是MRF框架的主要优势，但它也存在需要优化的问题。MRF是一个包含多个步骤的框架，包括采集设计、图像重建、字典生成和模式匹配。定量结果取决于所有步骤的表现。近年来，机器学习和深度学习技术在MRF开发和临床研究中的应用主要有两个方向。第一个方向是利用深度学习来改进MRF技术，例如利用端到端深度学习模型高效构建大尺寸字典或直接预测组织属性。这些方法在解决非线性、非凸性和高维问题方面具有出良好的效果。第二个方向是利用深度学习将MRF与其他临床信息整合，以辅助临床诊断和治疗规划。由于所有的MRF扫描都是前瞻性扫描，而且人类数据(尤其是患者数据)是有限的，这也是目前开发新的MRF技术和临床应用的主要挑战之一。然而，近年来MRF的发展使这种定量成像技术易于临床应用，扫描时间短，操作简单，重现性高。未来，随着更多临床证据的出现，MRF可能会成为促进数据驱动和循证精准医疗的关键一步。
影像组学与科研入门
影像组学的概念最早由荷兰学者Lambin在2012年提出，其强调的深层次含义是指从影像（CT、MRI、PET等）中高通量地提取大量影像信息，实现肿瘤分割、特征提取与模型建立，凭借对海量影像数据信息进行更深层次的挖掘、预测和分析来辅助医师做出最准确的诊断。
1）影像组学的基础是影像数据
2）影像组学是针对肿瘤的
3）影像组学研究依靠大量潜在影像信息
4）影像组学研究绝大部分包含统计方面的数据挖掘工作
5）辅助临床医师进行诊断。针对以上几个信息点，也就了解了影像组学研究的一个简单流程：1) 影像数据获取->2)肿瘤的标定、分割->3)影像特征的提取->4)数据挖掘分析[Radiomics: Images Are Morethan Pictures, They Are Data]一文中，将组学研究流程总结为5步：
影像数据包括CT、MRI、PET、超声影像等，实验讲究控制变量，因此在一个影像组学研究中，影像数据的客观采集方式是恒定的：同一机器、同一序列、同一参数，如果扫描技师也是同一个人（最好长得还比较帅的那种），并在扫描时保持同一种状态，就完美了。但想要完全控制变量，是不可能的。尤其是数据收集那么困难，而且还得排除好多不能入组病人，好多影像质量（比如机器抽风）不行的情况下。但有一点知道：CT、MRI、PET等数据没有混合分析的先例。
肿瘤分割是必须要做的，因为第三步提取的影像特征，不是病人整张影像的所有特征，而是影像中肿瘤所在位置的特征。
参考文献：A Review of Image Segmentation Methodologies in Medical Image。分割形式有自动分割，半自动分割，和人工分割。其中，人工分割通常被用来作为为标准，衡量分割算法的优劣。实际操作中，各种分割算法，都有其自适应的场景、范围、条件，特别受制于客观条件。现在也没有哪种算法敢站出来，说自己适应力强，准确性高（我又一次看见诺奖向我微笑），所以，最可靠的，还是临床医生们自己手动勾画ROI（Region of Interest），实际科研中，临床用得最多的，还是纯手工（我们行业内称顶级智慧型生物智能勾画法）。
关于特征提取，传统放射科医师仅通过肉眼阅片方式，依赖直观长久的临床经验对肿瘤进行诊断，从而为肿瘤的治疗决策提供方向建议。病人在放射科扫描留下的MRI，CT等影像数据，包含大量的潜在影像信息，比如，肿瘤块的肿瘤图像的灰度值范围、强度、细胞内部变化的特征等。而这些潜在信息，仅凭影像医师的临床经验及其肉眼能力，无法准确获得。传统的肿瘤治疗方案的决策，浪费了本该用起来的宝藏。
概念中提到“高通量地提取大量影像信息”，所谓高通量（计算），指在用最少的资源、最快的速度、大量计算体系的各种性质，从而达到探究、预测物质性质的一种科学研究手法。影像组学运用高通量计算，在勾画好ROI的影像数据中，能够快速提取成百上千个影像特征。
现在有很多平台可以实现影像特征提取的功能，比如Artificial Intelligent Kit（A.K.）、3D Slicer等。
- 1 特征筛选（降维，让我想到了刘慈欣老师三体中的二向箔降维打击）。特征筛选是影像组学必须做的一步：成百上千个影像学特征（自变量）【现在大部分组学分析还会加入临床特征、基因特征等】放到某个模型中进行训练，会累死计算机不说，模型效果通常还很差。
特征选择是一样的道理，成千上百个特征，对因变量（Y，自己要研究的东西）有重要影响的，可能就几个几十个。做了特征选择，消除冗余信息，避免多重共线性，简化模型，使得模型更具有泛化能力（模型的通用性，说明模型不止是在训练数据上表现得好，随便拿一批数据来，该模型一样能正常发挥作用），这就是特征工程存在的意义！
1）过滤式：卡方检验、信息增益、相关系数（初步使用，但通常会筛掉大部分特征）
2）包裹式：递归特征消除（反复的构建模型，然后选出最好的特征）
3）嵌入式：岭回归、lasso回归（使用频率很高，思影的机器学习课程用一天专门教这个）
4）机器学习模型：支持向量机、决策树（DT）、随机森林（RF）等（虽然这些机器学习模型自带了特征选择功能，能自动对特征的重要度进行排序，但实际操作中，不建议得到所有特征就用模型。通常会死的很惨烈，特异性、敏感度，想要的AUC值不会理想）。
一般讲特征降维，都会说主成分分析，但在样本量小于特征量时，该方法是失效的【原因是参数与非参数的区别，在此不赘述，见下节】，因此以上没有列出。
模型从参数角度考虑，可以分为参数模型和非参数模型。参数模型的条件较为苛刻，对数据分布和参数大小都有要求。早期统计学分析，由于数据量小，特征量少，所以一直是参数模型的天下。但大数据时代，传统的参数方法无法克服现存的维度灾难（样本量小于特征个数，再次想到三体），所以非参数方法，非参数模型应运而生。非参数模型对数据的分布条件不做限制，也不需要规定特征的维度，自己能够在训练过程中找到规律，形成自己的预测“函数”。（比如面馆老板的顾客预测模型，在他和我热烈的探讨中，略微透露了一点他的模型就是非参数模型）。现在，大部分机器学习都属于非参数方法，尤其是在影像组学的应用中。影像数据收集较慢样本量小，但影像特征却成百上千。经过特征选择，可能还会存在几十个上百个特征用于模型训练，用于分类，预测。
组学分析中常用的机器学习模型大多既可以做分类也可以做预测。如SVM，KNN，DT（RF，GBDT，XGBOOST：都是在DT基础上的集成算法），NB（朴素贝叶斯，有很强的前提条件），神经网络等。实际操作中，SVM和RF（随机森林，知道三体里的黑暗森林法则）两个模型表现都很稳定，其中，RF相较于SVM来说，由于参数稳定，不必特别调整且更方便。神经网络虽然特别火，但样本量小（不超过1000）时，不建议使用，样本量不足够大时，机器学习算法比神经网络表现更好【不然深度学习就不用等到大数据时代才出头了】。非参数模型有三好（索8，k5，迈锐宝）：
1）可变性：可以拟合许多不同的函数形式
2）表现良好：对于预测表现可以非常好
3）模型强大：对于目标函数不作假设或者作微小的假设。
1）需要更多数据：对于拟合目标函数需要更多的训练数据
2）过拟合：有更高的风险发生过拟合，对于预测也比较难以解释
3）速度慢：因为需要训练更多的参数，训练过程通常比较慢。如果特征选择工作做的到位，参数模型可以用起来的话，自然更好，因为他也有三好：
1）简洁：理论容易理解和解释结果
2）快速：参数模型学习和训练的速度都很快
3）数据更少：通常不需要大量的数据，在对数据的拟合不很好时表现也不错。
1）训练模型时，注意训练集和测试集的划分，通常情况是7:3，也可以自定义。样本量只有小几十个的时候，不建议X-folds cross validation
2）保持数据的平衡，如果研究目标有100个样本值，但90个都是阴性表现，这个指标就没什么分类、预测的价值了。因为从一开始，你的模型就是错的。影像组学的终极目标是复诊临床医生进行诊断工作，其分析结果可以从两个维度进行呈现：
1）横向角度：影像特征集合基因特征，临床特征进行数据挖掘分析，实现肿瘤的筛查，诊断，分级及分期的预测。也可进行肿瘤的分子生物学特征分析，为其靶向治疗方案提供科学依据。
2）纵向角度：结合随访信息，影像组学通过治疗前后的图像分析，可以做治疗效果预测，患者生存期预测，治疗有效性预测等，为临床制定个体化、精准化的治疗方案提供帮助。
一起交流
分享你的思考，让讨论更进一步。