近日，我院屈小波教授团队在生物医学工程权威期刊《IEEE Transactions on Biomedical Engineering》上发表论文“Magnetic resonance spectroscopy quantification aided by deep estimations of imperfection factors and macromolecular signal”，该工作提出了一种智能、自动化、可靠、稳健的MRS定量方法。

磁共振波谱（Magnetic Resonance Spectroscopy, MRS）是一种重要的活体生物医学检测手段。MRS 的信号特点（代谢物浓度低、谱峰拥挤、背景信号干扰严重）及采集失真（非理想的采集条件、生理运动等）使得其精准量化极为困难。计算感知实验室巧妙地把传统线性最小二乘与深度学习相结合，协同求解整个MRS量化问题。首先，用深度学习端到端地预测来背景干扰信号和信号失真校正。然后，引入物理演化基集basis-set求解线性最小二乘问题得到代谢物的定量。线性最小二乘法与物理演化基集一起参与定量估计与反向梯度传播来训练神经网络，降低了深度学习定量估计的参与程度。这与通常的端到端定量的方式有很大的不同，端到端估计完全依赖于数据与模型本身，一旦预测数据未在训练给定的波谱参数范围内，定量估计很可能产生较大的误差。

该方法已在厦门大学附属中山医院进行了全面的测试（20名健康人脑额叶、顶叶、枕叶、扣带回区域、3名脑胶质瘤患者病灶区域、2脑梗患者区域）。高信噪比量化场景下，与“行业金标准”LCModel有较好的一致性。低信噪比量化场景下，比LCModel具有更好的稳定性和合理性。同时，该智能定量方法已部署到计算感知实验室的智能云脑成像平台CloudBrain（见图1），可自由注册免费使用（详情见图1右上方二维码或本文底部链接）。该方法利用云计算计算，大大降低了MRS量化的难度与门槛：能对主流装备的Dicom或k空间数据自动化预处理、批量定量代谢物和自动寻找Biomarker，生成科研数据和图表。目前，复旦大学附属中山医院（厦门）、厦门大学附属东南医院、厦门大学附属第一医院、山东省立医院等已投入临床科研使用。

该工作由博士生陈棣成和林美金助理教授为共同第一作者，屈小波教授担任通信作者。高端磁共振装备数据采集由厦门大学附属中山医院林建忠主任团队完成，得到飞利浦医疗王家正、林良杰和武志刚三位科学家支持，方法设计、临床意义和论文写作还得到美国哈佛医学院麦克莱恩医院陈希博士、厦门理工学院郭迪教授等指导。

屈小波教授领导的计算感知实验室（http://csrc.xmu.edu.cn）从事计算磁共振成像、物理智能、医学影像和云计算等研究，受到国家优青等重要项目支持，该工作得到了国家自然科学基金(62122064, 61971361, 62331021, 62371410)，福建省自然科学基金(2023J02005和2021J011184)，国家重点研发计划(2023YFF0714200)，厦门大学校长基金(20720220063)和厦门大学南强拔尖人才计划资助。

论文链接: https://doi.org/10.1109/TBME.2024.3354123

预印本链接：https://arxiv.org/abs/2306.09681

智能云脑智能成像平台CloudBrain：https://csrc.xmu.edu.cn/CloudBrain.html (MRS test account: DEMO; password: CSG12345678!)

厦门大学计算感知实验室：https://csrc.xmu.edu.cn/index_cn/cy.htm

福建省等离子体与磁共振研究重点实验室: http://pmr.xmu.edu.cn

图文作者：陈棣成