|
超声、钼靶、磁共振成像是乳腺无创影像检查的三大武器。其中，超声检查便捷快速、价格最低、分辨率和影像质量最低、可重复性低、主观性强、无放射性，钼靶检查便捷快速、价格中等、分辨率和影像质量中等、可重复性强、主观性低、有放射性、需要用力挤压固定乳房，磁共振成像检查速度较慢、价格最高、分辨率和影像质量最高、可重复性强、主观性低、无放射性、被称为乳腺无创影像检查的终极武器。 磁共振成像发明已有50多年历史，分辨率和影像质量不断提高。这些改进主要是磁场越来越强的结果，从0.05特斯拉（1个冰箱贴的磁场大约0.001特斯拉）普通永磁铁发展到1.5或3.0甚至4.0或7.0特斯拉超导电磁铁，这也使磁共振成像设备越来越庞大沉重，占地较多，无法移动，而且噪音巨大，需要专用建筑结构严密屏蔽磁场和噪音，还需要液氮甚至液氦进行冷却，耗电量也极大，高达几万瓦，普通的墙壁电源插座根本无法供电。这些高功率磁共振成像设备也极其昂贵，进口设备高达几千万元人民币，国产设备也要几百万元人民币，每月维护保养开支亦不菲，因此仅见于大型医院，每次检查费用高达千元人民币，与超声检查几十元人民币、钼靶检查几百元人民币相比，极大地限制了对患者的普及化。 2024年5月10日，全球自然科学三大期刊之一、美国科学促进会《科学》正刊发表中国香港大学的研究报告，利用从商店购买的现成零部件，采用0.05特斯拉普通永磁铁，结合大数据人工智能深度学习三维重建，开发出最大功率与电吹风相似、可接普通的墙壁电源插座、噪音低、体积小、可移动、不需要屏蔽、不需要液氮或者液氦进行冷却、成本低达十几万元人民币的简化磁共振成像设备，对30位志愿者进行全身成像比较，效果可与高达几千万元人民币的高端磁共振成像设备相媲美。
该研究首先利用从商店购买的现成零部件，制造出高度简化的全身超低场强磁共振成像扫描仪，可接标准墙壁电源插座，不需射频或磁场屏蔽笼。该扫描仪采用紧凑型0.05特斯拉永磁铁，并结合主动传感和人工智能深度学习处理电磁干扰信号。随后，在扫描仪周围安装电磁干扰传感线圈，并采用人工智能深度学习方法，从采集的数据直接预测无电磁干扰的核磁共振信号。为提高成像质量并减少扫描时间，该研究还开发出数据深度学习图像形成方法，集成图像重建和三维多尺度超分辨率，并利用高场强高分辨率磁共振成像数据库的相同人体解剖结构和成像大数据进行对比。
结果，该研究成功实施0.05特斯拉常用临床方案，包括T1加权、T2加权和扩散加权成像，并针对不同的解剖结构优化其对比度。各个方案的扫描时间不超过8分钟或更短，成像分辨率大约为2×2×8立方毫米。扫描仪待机时功耗大约仅300瓦，扫描时功耗低于1800瓦，而传统磁共振成像功耗可达2.5万瓦以上。 最后，该研究招募30位健康志愿者进行成像，捕捉大脑、脊柱、腹部、肺部、肌肉骨骼和心脏图像。深度学习信号预测有效消除电磁干扰信号，实现无屏蔽清晰成像。脑部成像可显示各种脑组织，脊柱成像显示椎间盘、脊髓和脑脊液。腹部成像可显示肝脏、肾脏和脾脏等主要结构。肺部成像可显示肺血管和实质。膝盖成像可分辨膝盖结构，例如软骨和半月板。心脏动态成像可显示左心室收缩，颈部血管造影显示颈动脉。此外，深度学习成像可大大提高各种解剖结构的0.05特斯拉成像质量，包括大脑、脊柱、腹部和膝盖，还可有效抑制噪声和伪影，并提高图像空间分辨率，效果媲美目前临床采用的高功率磁共振成像设备。
因此，该研究结果表明，低功率磁共振扫描仪制造、操作和维护保养成本大大降低，对患者而言更舒适、更经济、噪音更小、时间更短，并且经过人工智能深度学习计算处理后的最终图像，与目前临床实践采用的高功率设备所获图像一样清晰和详细，即使存在较强的电磁干扰信号。此外，传统磁共振成像过于敏感，假阳性率较高的过度诊断问题，也可以通过人工智能深度学习一起解决。如果该设备在中国内陆批量制造，成本还可大幅降低。 对此，加拿大麦吉尔大学、尼日利亚拉各斯医学影像中心、南非斯泰伦博斯大学发表同期评论：成像无障碍。该评论指出：虽然低场强磁共振成像技术还有待成熟，广泛用于临床医学成像之前，需要克服诸多局限和挑战，但是当世界各地大量社区能够无障碍地采用低场强磁共振成像时，这种医疗技重要而且具有环保可持续性的潜力将得到证明。
Science. 2024 May 10;384(6696):eadm7168. IF: 56.9 Whole-body magnetic resonance imaging at 0.05 Tesla. Zhao Y, Ding Y, Lau V, Man C, Su S, Xiao L, Leong ATL, Wu EX. The University of Hong Kong, Pokfulam, Hong Kong SAR, China. Magnetic resonance imaging (MRI) was invented more than 50 years ago and has continued to improve in resolution and image quality. These improvements are the result of ever more powerful magnets, which make for very heavy and noisy machines that require extensive shielding. These high-power MRI machines are also extremely expensive, which greatly limits patient access. By applying machine learning to the output of a lower-power MRI device, Zhao et al. were able to address these concerns (see the Perspective by Anazodo and du Plessis). The lower-power machine was much cheaper to manufacture and operate, more comfortable and less noisy for patients, and the final images after computational processing were as clear and detailed as those obtained by the high-power devices currently used in the clinical setting. Despite a half-century of advancements, global magnetic resonance imaging (MRI) accessibility remains limited and uneven, hindering its full potential in health care. Initially, MRI development focused on low fields around 0.05 Tesla, but progress halted after the introduction of the 1.5 Tesla whole-body superconducting scanner in 1983. Using a permanent 0.05 Tesla magnet and deep learning for electromagnetic interference elimination, we developed a whole-body scanner that operates using a standard wall power outlet and without radiofrequency and magnetic shielding. We demonstrated its wide-ranging applicability for imaging various anatomical structures. Furthermore, we developed three-dimensional deep learning reconstruction to boost image quality by harnessing extensive high-field MRI data. These advances pave the way for affordable deep learning-powered ultra-low-field MRI scanners, addressing unmet clinical needs in diverse health care settings worldwide. PMID: 38723062 DOI: 10.1126/science.adm7168 Science. 2024 May 10;384(6696):623-624. IF: 56.9 Imaging without barriers. Anazodo UC, Plessis SD. McGill University, Montreal, QC, Canada; Crestview Radiology Ltd., Lagos, Nigeria; Stellenbosch University, Cape Town, South Africa. PMID: 38723100 DOI: 10.1126/science.adp0670
|
