最新消息

作者：李爾芳/工研院

一、MRI在造影時間上的限制

核磁共振造影(magnetic resonance imaging, MRI)，為目前常用的醫學影像方法之一，其利用核磁共振(nuclear magnetic resonance, NMR)的現像，透過儀器給與磁場、再利用特定的射頻脈衝(Radio Frequency Pulse)共振激發人體內的氫原子核，當脈衝停止後，被激發的氫原子核逐漸回到初始能階時便會產生電磁波訊號。由於人體重量中水分占比約三分之二，每個組織器官的水分含量有所差異，藉由量測分析氫原子共振所放射的電磁波因而可用於造影成像，以非侵入式的方式得到人體組織結構的三維圖像。

二、利用訊號壓縮演算法加速成像 - Compressed Sensing技術產業應用現況

前節提到在取樣頻率低於Nyquist frequency時會造成重建影像發生交疊假影，而應用訊號壓縮理論所發展出的Compressed Sensing演算法則提出，若能將訊號投射至一個能以稀疏表示的空間(sparse representation)，那麼只要在訊號分布權重大的維度取樣便可重建近於原始的訊號，如同JPEG影像壓縮原理中只需利用數個wavelet來儲存影像主要資訊；這麼一來比如原來需要測256次測量才能的重建的訊號，如果在某個空間只要64個維度就能包含了256次量測的資訊，那麼只要將數據轉換到那個空間，64次的量測便可重建所需的訊號了。

三、深度學習技術帶來MRI造影加速的技術發展新方向

如同JPEG影像壓縮運算時需在壓縮比率與可還原資訊之間的取捨，利用降低訊號取樣數(under-sampling)可加速的程度也伴隨著細部訊號資訊遺失的數量，在影像診斷靈敏度的權衡下，Compressed Sensing應用能壓縮的造影時間也因此有限。而近年利用大量資料訓練、建立能由少數數據重建原始訊號之深度學習技術則在MRI造影應用上開啟了一個新的發展方向，除已廣為應用在影像回復、由低解析度影像做高解析度up-sampling預測值之super-resolution 技術在復原MRI影像細部的應用外，亦有多方研究建立直接由under-sampled K-space 數據重建影像之模型、或針對under-sampling 造成的allies 假影校正、或建立加速 Compressed Sensing優化的模型等之各種深度學習類神經網路的應用與開發。然而由於K-space 數據並非常規會保存的臨床資料，受限於的取得管道，大部分的相關研究多僅限於小規模數據驗證，或是利用模擬方式產生K-space 數據。

四、結論

在GPU高速運算技術運用普遍下，MRI機台造影功能的技術發展也由硬體功能進化轉向著重於演算法開發，在人工智慧技術應用的快速發展加持下，預計在5-10年後MRI臨床檢測可在數分鐘內達成，加上近年MRI機台在小型化、自動化等各方面的技術發展，若能反應在機台價格及檢測費用的大幅度減少，不僅能使檢測普遍促進疾病早期發現，且憑無輻射線造影及軟組織高解析的優勢，MRI將有機會取代CT在腦部、心臟、腹腔等多項常規或急診檢測的角色，而造影時間縮短也讓MRI能在循環相關或器官動態的檢測應用上更加便利。

完整內容請詳見：【產業技術評析】MRI加速造影技術之產業應用現況與趨勢