基于解剖学与生物化学原理的钠离子MRI去噪深度图像先验模型

《Computerized Medical Imaging and Graphics》：Anatomically and biochemically guided deep image prior for sodium MRI denoising

　　海德尔·阿里|罗莫娜·沃伊特克|西格弗里德·特拉特尼格|奥尔吉卡·扎里奇
奥地利多瑙河私立大学，医学图像分析与人工智能领域

摘要
钠（23Na）磁共振成像能够提供有价值的代谢信息，但其信号噪声比低以及采集时间长的问题限制了其应用。虽然传统的去噪方法以及基于学习的去噪方法，如NLM、BM3D、TV和RD-DIP，能够生成视觉上较为合理的图像，但这些方法可能会改变钠信号的分布，从而影响图像的结构真实性和定量一致性。为解决这些问题，我们提出了DIP-Fusion方法，这是一种基于深度图像先验的钠磁共振成像去噪框架。该方法通过定向总变分正则化方案，结合质子（1H）磁共振成像提供的解剖学信息与23Na磁共振成像提供的生化信息，利用一种新的质子-钠融合先验来优化去噪过程。该框架通过优化包含数据真实性、融合总变分正则化、梯度一致性和偏场校正在内的变分损失函数，确保去噪过程的稳定性。我们在健康志愿者和乳腺癌患者身上，针对不同的采集条件测试了DIP-Fusion方法，并将其与传统的去噪方法以及另一种基于深度学习的Rician去噪方法进行比较。实验结果表明，DIP-Fusion在所有对比方法中都取得了更好的效果。在健康受试者中，该方法可使PSNR值提高2.36 dB，SSIM值提升约5%，同时降低感知误差。在患者数据集中，它进一步提升了图像质量，PSNR值最高可提高3.35 dB，同时还能保留钠信号的特征。在不同强度的Rician噪声条件下，与RD-DIP相比，DIP-Fusion表现出更强的鲁棒性，尤其是在高噪声环境下仍能保持较高的去噪精度和结构真实性。总体而言，这种基于融合先验的方法有助于稳定DIP优化过程，从而在复杂噪声条件下实现更可靠的钠磁共振成像去噪。

引言
钠（23Na）磁共振成像作为一种强大的补充技术，可与传统的质子（1H）磁共振成像相结合，用于无创检测组织中的钠浓度，而钠浓度反映了细胞的存活状态、离子平衡以及膜完整性（Lachner等人，2019；Nagel等人，2009）。在乳腺成像中，较高的钠浓度与恶性病变相关，这一特征是仅通过质子磁共振成像无法获得的独特代谢信息（Lachner等人，2019）。然而，尽管23Na磁共振成像具有重要的临床价值，但由于其信号噪声比低、空间分辨率较低以及采集时间较长，至今仍未得到广泛应用。为克服这些缺陷，人们一直在探索加速采集和重建的技术。压缩感知方法虽能重建欠采样的钠磁共振成像数据，但传统的总变分正则化往往会导致图像过度平滑，丢失精细的结构细节（Ehrhardt和Betcke，2016；Ehrhardt等人）。为解决这一问题，一些研究采用基于解剖结构的引导方法，利用高分辨率的1H磁共振成像作为结构先验，从而更好地保留图像边缘并减少部分体积效应（Ehrhardt和Betcke，2016；Ehrhardt等人）。与此同时，基于深度学习的重建方法在磁共振成像领域也取得了显著成果，但这些方法通常需要大规模的标注数据集和长时间的训练，而这类资源在钠磁共振成像研究中并不容易获得（Ulyanov等人，2018；Nazir等人，2024；Hu等人，2024；Aetesam和Maji，2024；Gurrola-Ramos等人，2024；Augustin等人，2022）。

近年来，深度图像先验框架作为一种无需训练的替代方案受到了关注，它利用卷积神经网络的隐式正则化机制来实现图像去噪和超分辨率处理（Ulyanov等人，2018）。由于不需要外部数据集，DIP方法非常适合用于钠磁共振成像应用。目前已有不少基于DIP的方法通过引入更先进的噪声建模和正则化策略，来更好地应对磁共振成像特有的噪声特性（Gurrola-Ramos等人，2024；Augustin等人，2022；Lin和Huang，2020；Zhu等人，2020）。尽管取得了这些进展，现有方法在应用于钠磁共振成像时仍存在一些关键缺陷。

研究缺口：当前的方法还存在若干未解决的难题。首先，目前还没有一种能够同时保留钠特有的代谢信息并与高分辨率解剖结构信息相融合的统一框架。其次，像定向总变分这样的基于解剖结构的引导方法往往更注重结构一致性，这可能会抑制与代谢相关的钠信号特征。第三，大多数基于深度学习的方法依赖于监督训练，因此在不具备足够数据的场景中难以应用。最后，现有的基于DIP的方法尚未充分利用质子磁共振成像与钠磁共振成像之间的互补关系，未能通过融合先验来整合这两种图像的信息。

提出的解决方案：为解决上述问题，我们提出了一种新的基于DIP的重建框架，该框架将质子-钠融合先验纳入定向总变分正则化方案中。该方法结合了1H磁共振成像提供的解剖结构信息与23Na磁共振成像提供的代谢信息，从而在去噪的同时保留图像的结构和功能特征。重要的是，该框架完全无需监督训练，也不需要大规模的数据集。

主要贡献：本研究的主要贡献如下：
• 提出了一种新的质子-钠融合先验，能够同时编码解剖结构和代谢信息，从而提升钠磁共振成像的去噪效果。
• 开发了一种统一的基于DIP的框架，将该融合先验纳入定向总变分正则化方案中，以更有效地抑制噪声。
• 提出了一种完全无需训练的去噪策略，使得该方法适用于钠磁共振成像这类数据稀缺的场景。
• 通过PSNR、SSIM、MSE、LPIPS和FSIM等定量指标，证明了该方法在提升图像质量方面的显著效果，同时还能保留图像的边缘特征和代谢细节。

相关研究
与传统1H磁共振成像相比，23Na磁共振成像的信号噪声比要低得多，通常低一个到两个数量级，其主要原因在于钠的旋磁比较低（γNa/γH≈0.26），且体内钠浓度也远低于水中的质子密度（约为10–50 mM，而水中质子密度约为55 M）（Nagel等人，2009；Koch等人，2018）。此外，目前公开可用的钠磁共振成像数据集在规模和多样性方面也存在不足（ISMRM，2024）。

研究对象
本研究共招募了3名健康女性受试者和5名被诊断为乳腺癌的女性患者，相关研究工作均遵循奥地利维也纳医科大学的伦理审查要求（伦理审批编号：1131/2015；合作协议编号：2023-030）。在维也纳医科大学进行的钠磁共振成像检测是多项乳腺癌临床研究的一部分，这些研究的目的是了解乳腺肿瘤的特征并评估新辅助治疗的疗效。

融合权重下的空间重叠情况
我们通过不同的融合权重αf来评估融合后的钠图像与质子解剖参考图像之间的空间重叠程度。当αf=0.0时，融合后的图像与质子解剖图像完全一致；而随着αf的增加，会出现一些与质子定义的结构不一致的钠特异性区域（见图2）。补充图S1展示了不同权重下融合图像的可视化结果，图1则显示了图像从以解剖结构为主逐渐转变为以代谢特征为主的转变过程。

基于掩模的去噪性能评估
为了定量评估去噪效果，我们进行了消融实验，并对不同退化条件下的各组成部分进行了分析，这些退化条件包括噪声干扰、干净图像、偏场干扰以及混合干扰等。通过这种方式，我们可以对模型在各种成像条件下的表现进行统一评估。表5总结了不同退化条件下各组成部分的贡献程度。

讨论
在本研究中，我们通过开发一种基于深度图像先验的DIP-Fusion框架，解决了23Na磁共振成像中信号噪声比低和采集时间长的问题。该框架以高质量的质子磁共振成像作为解剖结构先验，同时通过定向总变分正则化方案，将23Na磁共振成像提供的生化信息融入其中，形成质子-钠融合先验。这种组合方式不仅能够保留钠信号的特征，还能提升图像的结构完整性，同时在加速采集条件下也能保持较好的稳定性。与仅依赖质子磁共振成像引导的方法相比，融合引导的方法具有更强的优势。

CRediT作者贡献说明
海德尔·阿里：写作——审稿与编辑，写作——初稿撰写，可视化，验证，软件开发，方法设计，概念构思。
罗莫娜·沃伊特克：可视化，验证，项目监督。
西格弗里德·特拉特尼格：项目监督，数据整理。
奥尔吉卡·扎里奇：写作——审稿与编辑，写作——初稿撰写，可视化，验证，项目监督，研究调查，数据整理。

未引用文献
Cascarano等人（2022），Cui等人（2019），Haltmeier等人（2023），Jiang等人（2023），Koppers等人（2019），Licht等人（2025），Mansour和Heckel（2023），Yu和Porikli（2017），Zhang等人（2017）

利益冲突声明
作者声明不存在任何可能影响本研究结果的已知财务利益或个人关系。