:::

產業技術評析

MRI加速造影技術之產業應用現況與趨勢
發表日期:2020-01-29
作者:李爾芳(工研院)
摘要:
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。

全文:

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。
 

相對另一常用的三維造影CT電腦斷層掃描(computed tomography),MRI最大的優勢為其不需要x-ray輻射線照射來成像,因而相對安全;此外,其對軟組織有較好的解析能力,可提供腦部、心臟、血管、腹部等高解析度的組織分辨,對早期腫瘤也有較好的檢測能力,且能利用脈衝與訊號量測時機等參數變化做各種器官解剖上或功能上的分析。然而在臨床的應用上CT仍為使用率較高的影像診斷方法,除了因MRI機台造價較高外,其臨床使用最大限制因素來自於造影成像時間,同樣達到millimeter解析度的影像容量,CT造影只需要幾秒鐘,MRI造影卻要20分鐘或更長,過程中病人需要配合憋氣,也因此容易因為病人動而造成影像假影或模糊;而過長的造影時間除機台能使用的次數降低外,也需要較大的人力成本,因此醫學影像中MRI檢測相對昂貴,減少MRI造影時間因此也一直是機台廠商積極研發的方向。
 

MRI 造影時間的限制主要源自其成像原理,其在造影時利用磁場梯度來做空間編碼以區辨訊號來源,在訊號頻域空間k-space 的兩個維度分別做頻率編碼與像位編碼,再經傅立葉轉換(Fourier Transform)後而得到組織影像(圖一a);其中相位編碼因需利用不同的磁場梯度值,需再給一次射頻脈衝再掃描量測,以256x256的影像來說便需要256次編碼,因此成為成像的時間限制因素,機台廠商研發的方向也因此著力在如何在減少相位編碼的次數下重建影像。由於減少相位編碼數會影響解析度,且在取樣頻率低於訊號最大頻率的兩倍時(Nyquist frequency),重建的影像會發生交疊假影(alias)的狀況(Nyquist Sampling Theorem, 圖一b 左二),因應此機台廠商發展了各式平行成像技術(parallel imaging),利用多元件相位陣列線圈加上校正演算法來做影像重建,目前用於現有產品的技術包括Siemens、GE、Philips、Hitachi、Cannon 公司機台所使用、處理傅立葉轉換後影像alias的 SENSE (SENSitivity Encoding),以及如Siemens與GE公司分別另開發在訊號頻域空間先做自動校正處理的GRAPPA(GeneRalized Autocalibrating Partial Parallel Acquisition)與ARC (Autocalibrating Reconstruction for Cartesian imaging)技術。理論上平行成像技術能加速的倍率約在2-6倍間,然而實際能加速造影的程度仍受限於線圈在空間上的排列限制,以及降低取樣數(under-sampling)後S/N ratio 會隨之降低。
 

圖1 (a) MRI成像編碼、訊號頻域空間(K-Space)與影像的關係; (b) 減少K-space取樣 (under-sampling)對成像的影響

資料來源:J Cardiovasc Magn Reson. 2010 Nov 30;12:71、Philips 官網
圖1 (a) MRI成像編碼、訊號頻域空間(K-Space)與影像的關係; (b) 減少K-space取樣 (under-sampling)對成像的影響
 

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;如此一來取樣就可不受訊號Nyquist frequency的限制,而是取決於稀疏性(Sparsity)和非相關性(Incoherent)兩項因素,其中量測取樣的非相關性可使alias重疊訊號隨機散佈、而可利用denoise演算法除去(圖一b 右二)。在此理論架構下,訊號重建成了尋找以下解的優化問題:
 

運算式

 

式子中第一項優化目的為減少重建影像與原始訊號的差別,第二項優化則為尋找能以稀疏表示訊號的空間;由於此為在多維空間上兩個不同面向的優化,尋求最佳解需多次迴圈來回來逐步逼近(圖2),實務上一般需50次以上甚至近千次的計算迴圈,在運算量與暫存記憶上的負擔是相當大的,雖然減少了訊號擷取時間,卻增加了之後計算影像重建的時間。
 

所幸在2006 年Compressed Sensing理論提出後,適逢2007年NVIDIA提供了CUDA程式工具平台,讓一般習於高階程式語言的演算法開發研究者便於利用GPU做高速平行運算的運用,在進階運算硬體的支援下Compressed Sensing原理應用於是成了MRI加速成像技術研究的顯學快速發展,經過十年的理論進化與臨床驗證在2017年開始技術落地。2017年2月Siemens的用於心臟造影的Compressed Sensing Cardiac Cine 成為第一個被FDA獲准上市的Compressed Sensing MRI 應用,相對於過去心臟MRI造影需要4分鐘、過程中憋氣10-14次,新技術只需要16-20秒鐘、憋氣一次便能完成心臟取像。同年4月GE結合Compressed Sensing及其ARC平行成像技術的HyperSense獲FDA准用於頭、頸、脊椎、四肢、腹腔與骨盆腔造影,並隨著其SIGNA™ Works MRI機台上市,在不犧牲影像品質下可將造影時間減少30%-50%。而Philips 結合其SENSE平行成像技術的Compressed Sense則也在2018年4月隨著其Ingenia系列機台獲FDA准用於任何部位的2D與3D之非顯影成像,同樣的成像品質只需要一半的造影時間。在軟硬體技術整合下,目前GE與Philips的MRI最新一代機台可將大部分部位的造影時間縮短至十分鐘以下,較前一代僅使用平行成像的技術訊號擷取可再加速1-2倍。Siemens 雖然在此技術的應用早有軟體產品上市,但相對其他兩大廠積極推出適用全身的新一代快速造影機台,其在發展的布局則著重於整合多項技術、開發可在造影全程中不憋氣的系統,意圖讓未來產品能適用於更多的病人族群,如嬰兒、聽損、失智者等無法聽指令停止呼吸的病人;繼心臟造影後,其在2018年推出了適用其MAGNETOM Vida機台的多相肝臟動態造影的應用GRASP-VIBE,而其他部位器官的造影的應用則也已進入臨床驗證階段。
 

圖2 Compressed Sensing造影步驟需多次迴圈逐步優化

資料來源:Siemens Healthineers官網
圖2 Compressed Sensing造影步驟需多次迴圈逐步優化
 

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。
 

為促進MRI快速造影技術的發展,New Your University School of Medicine (NYU Langone Health)與Facebook AI Research(FAIR)創立了fastMRI合作研究計畫,由NYU提供上萬張raw k-space data與對應之DICOM影像所組成的資料庫fastMRI dataset,FAIR則以open source方式提供研究者使用NYU數據資料庫的工具、可評估造影重建演算法的工具、及其所開發U-Net網路架構之影像重建baseline model,並仿ImageNet舉辦挑戰賽,目標為藉由社群合作開發較現在快10倍的MRI造影技術。
 

在產業應用方面,Samsung已在近期在如RSNA及ESR等放射科重要年會中宣稱將會把super resolution造影技術應用於其專為四肢造影特製、不需氦氣的小型MRI機台原型Extremity MRI,預期造影時間只要現有產品的25%,企圖以機台體積與造影效能上的創新,在已被三大廠主導的MRI機台市場中開創新的產品應用領域。
 

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。
 

另一方面,由於MRI 具有能藉由調控造影參數來剖析同一解剖構造各種組成面向之功能,如在神經造影可以T1-weighted、T2-weighted、Diffusion-weighted分別細部觀測白質、灰質與神經束走向,因此已為研究各種疾病影像生物標記的重要工具;MRI檢測的速率提升與價格平價化預期也將加速以MRI造影發展更多元的臨床應用。
 

參考資料
 

1. Reducing acquisition time in clinical MRI by data undersampling and compressed sensing reconstruction. Hollingsworth, Phys. Med. Biol. 60 (2015) R297–322
 

2. Compressed sensing MRI: a review from signal processing perspective. Ye, BMC Biomedical Engineering (2019) 1:8
 

3. fastMRI: An Open Dataset and Benchmarks for Accelerated MRI. Zbontar et al. arXiv:1811.08839 [cs.CV] (2018)
 

(本文作者為工研院產科國際所執行產業技術基磐研究與知識服務計畫產業分析師)


* 點閱數783
更新日期:2020-04-08

回上一頁 回首頁