现阶段，化学位移编码（CSE） MRI由于其在估计肝脏质子密度脂肪分数（PDFF）方面的效用而成为越来越重要的成像方式。肝脏PDFF与肝脏脂肪变性高度相关，是一种具有临床价值的生物标志物。此外，PDFF已经显示出有意义的准确性和可重复性，在不同场强和制造商的扫描仪上具有低偏置和高精度。

为了计算PDFF，有必要将CSE-MR信号分为仅水分量和仅脂肪分量，因为PDFF对应于仅脂肪分量与整体MR信号的比值。然而，由于R2*信号衰减和主磁场不均匀性的非线性影响（Δf），水脂分离有多种可能的解决方案。最先进的技术已经通过求解非线性模型来估计R2*和Δf显示出可接受的精度。然而，它们中的大多数都考虑平滑的场图假设来稳定可能影响水脂分离性能的估计解，通常需要根据具体情况对参数进行微调。

最近的研究探索了基于深度学习（DL）的替代方案，以有效地解决水-脂肪分离问题所有先前提出的基于DL的模型都考虑了卷积神经网络（CNN）来估计仅水和仅脂肪的图像，但也只有少数模型被设计用于估计R2和Δf map。这些算法中的大多数产生的结果与通常被认为是参考文献的基于迭代图切的技术所获得的结果具有相似的精度水平，但速度要快得多。上述图切割方法不是临床MR扫描仪中常见的方法，而是最广泛验证的开源方法之一，具有类似准确的PDFF估计性能。

然而，当前基于DL的方法的主要缺点之一是，当在与训练数据分布明显不同的样本上进行测试时，它们的泛化能力会降低。所有先前提出的基于DL的水-脂肪分离方法都是根据单一协议获得的数据进行训练的。由于CSE-MRI包括获取一系列梯度回波MR图像，然后利用MR信号的演变来进行水-脂肪分离，因此在之前的研究中使用的每种方案都考虑了一组特定的回波时间，在这些时间内获取这些多回波图像。因此，不能保证以前那些基于dl的方法可以处理在不同回波时间采集的CSE-MRI数据，这些数据经常根据采集地点的可用硬件（例如可用线圈，摆率等）进行修改，以最大限度地减少扫描时间。

最近，发表在European Radiology 上的一篇文章使用基于深度学习（DL）的方法从化学位移编码（CSE） MR图像中评估质子密度脂肪分数（PDFF），实现对不同的MR扫描仪和采集回波时间（TEs）的精确和鲁棒性。

可变回波次数神经网络（VET-Net）是一个两阶段框架，首先估计CSE-MRI信号模型的非线性变量，然后使用最小二乘法后验估计水/脂肪信号分量。VET-Net结合了一个带有TE的矢量作为辅助输入，因此可以在任何TE设置下进行PDFF计算。研究评估了一个单点肝脏CSE-MRI数据集（188名受试者，4146张轴向切片），该数据集被分为训练（150名受试者）、验证（18名）和测试（20名）三个子集。测试对象使用几种不同TE的方案进行扫描，然后我们使用这些扫描来测量两个感兴趣区域（ROI）的PDFF再现系数（RDC）：肝右后叶和肝左叶。

VET-Net在不同TEs下右后叶和左肝叶的RDC分别为1.71%和1.04%，与基于参考图切的方法相当（RDC分别为1.71%和0.86%）。在多站点模型数据集上测试时，VET-Net也显示出更小的PDFF偏差（-0.55%），而不是图形切割（0.93%）。当不考虑辅助TE输入时，再现性（1.94%）和偏倚（-2.04%）受到负面影响。

表 对每种实施方法的偏差和可重复性指标进行总结

本项研究表明，VET-Net使用来自不同硬件供应商和不同TE的CSE-MR图像提供了无偏和精确的PDFF估计，优于传统的DL方法。

原文出处：

Juan P Meneses,Ayyaz Qadir,Nirusha Surendran,et al.Unbiased and reproducible liver MRI-PDFF estimation using a scan protocol-informed deep learning method.DOI:10.1007/s00330-024-11164-x