TOF-MRA是一种平扫MRA技术，利用与血流相关的增强现象作为血管和背景组织之间的内在对比进行成像，在临床实践中常用于脑血管疾病的辅助诊断。通常，TOF-MRA使用基于梯度回波的三维（3D）序列被以实现高空间分辨率，同时保持足够的信噪比（SNR）。然而，获得高分辨率的MRA的一个重要缺点是扫描时间较长。
通过采用较少的层面、较低的相位矩阵和较高的加速因子，扫描时间可以缩短到1分钟。然而，其图像质量对于临床扫描来说是不够的。由于图像分辨率有限，影像学学评估可能局限于Willis环，因为较小的脑血管在最大强度投影（MIP）图像上很难看到。

深度神经网络作为目前最先进的机器学习模型，在图像超分辨率应用中显示出良好的应用。最初由Goodfellow等学者提出的生成对抗网络（GAN）证明了判别器超视距在生成精细纹理和结构真实性方面的优势。随后，Ledig等学者在图像超分辨率任务中实现的GAN在图像感知质量指标方面优于早期算法。

利用GAN，先前的一项研究成功地从下采样（模拟）的低分辨率图像中生成了高分辨率的大脑T1加权MRI。然而，这种方法是否能恢复小血管的MRA信号尚不清楚。

近日，发表在European Radiology杂志的一项研究建立了一种训练超分辨率MRA重建的GAN模型技术，并研究了这种模型与低分辨率的三维TOF-MRA相比在提高图像质量和诊断效用方面的价值。

本项研究纳入了180名接受1分钟低分辨率（LR）和4分钟高分辨率（常规）脑TOF-MRA扫描患者的图像。使用50名患者的数据集进行训练，12名患者用于定量图像质量评估，其余的用于诊断验证。研究修改了pix2pix GAN以适应TOF-MRA数据集，并微调了GAN相关参数。使用多尺度结构相似性（MS- SSIM）和基于信息论的统计学相似度（ISSM）指数生成并比较了最大强度投影图像。由两位放射科医生使用5点李克特量表对血管的可见度进行评分。同时评估了GAN-MRA在描述动脉瘤、狭窄和闭塞方面的敏感度和特异性。
最佳模型是以1e5的λ值和L1+MS-SSIM的损失实现的。GAN-MRA的图像质量指标高于LR-MRA（MS-SSIM，0.87 vs. 0.73；ISSM，0.60 vs. 0.35；P.调整<0.001）。GAN-MRA的血管可见度优于LR-MRA（评价者A，4.18 vs. 2.53；评价者B，4.61 vs. 2.65；P.调整后<0.001）。在描绘血管异常方面，GAN-MRA显示出相当的敏感性和特异性，其中一位评分者对动脉瘤的检测灵敏度更高（93% vs. 84%，P < 0.05）。

图 用默认的L1（A）、MS-SSIM（B）和L1+MS-SSIM（C）作为重建损失与常规（高分辨率）MRA作为参考（D）的GAN-重建MRA的比较。尽管整体图像质量相似，但利用L1 + MS-SSIM作为重建损失函数（C）使小的远端血管（橙色框）比其他的更好的可视化（中断更少，强度更均匀）

本项研究证明，优化的GAN可以显著提高低分辨率三维TOF-MRA的图像质量和血管可见度，同时在检测脑动脉瘤、狭窄和闭塞方面保持同等的敏感性和特异性。

原文出处：

Krishna Pandu Wicaksono,Koji Fujimoto,Yasutaka Fushimi,et al.Super-resolution application of generative adversarial network on brain time-of-flight MR angiography: image quality and diagnostic utility evaluation.DOI:10.1007/s00330-022-09103-9

Tags： European Radiology：生成对抗网络在TOF-MRA中的超分辨率应用