MRI系统质量控制检测的SNR及均匀度的自动测量研究

陈佳敏，梁永刚，叶培筠，陈楚洁，付丽媛

1.福建中医药大学福总教学医院 放射诊断科，福建 福州 350025；2.联勤保障部队第九〇〇医院 放射诊断科，福建 福州 350025

引言

磁共振成像（Magnetic Resonance Imaging，MRI）系统是医院大型医学影像设备的重要组成部分，在诊疗中发挥着不可替代的作用，其不但能够提供形态学结构信息，又可提供生物化学及代谢信息，为疾病的精准诊疗提供了重要的影像学信息。精准、可靠、科学的疾病诊疗离不开高质量的影像图像，为了得到优质的图像，并确保MRI设备始终保持最佳的工作状态，这就对医疗机构在设备质控方面提出了更高的要求，MRI设备质量控制检测就是实现这一目标的重要手段[1-2]。根据美国放射学院（American College of Radiology，ACR）及国内卫生行业标准、医药行业标准及中华人民共和国地方计量技术规范[3-9]，MRI质量控制检测项目主要包括信噪比（Signal to Noise Ratio，SNR）、图像均匀度、空间分辨率、低对比度分辨率等重要参数。进行MRI质量控制检测时，首先进行体模的扫描，扫描完毕后在扫描得到的图像上进行各项参数的测算。值得注意的是，用体模进行质量控制检测时，真正费时的不是体模扫描本身而是参数测算，目前多采用手工测算的方法，该方法计算过程繁琐且所需时间较长。在这种情况下如果能采用软件实现参数的自动化测量，将会最大程度地提高效率。国内学者Panych等[10]、官能成等[11]也提出了采用智能测算的想法，并且做了一些初探工作。本研究在借鉴国内外研究经验的基础上，选择MRI质控检测中SNR及图像均匀度两个重要的参数，基于Matlab R2013b平台设计了自动检测算法，从而实现SNR及图像均匀度的自动测算。

1 材料与方法

1.1 检测体模与受检设备

采用MRI质控检测专用ACR体模，该体模由美国放射学院设计制造，体模直径190 mm，高度148 mm，内部填充氯化镍和氯化钠溶液。受检设备为 Siemens Trio 3.0 T MRI，8通道相控阵头线圈。

1.2 体模扫描方法与扫描参数

将ACR体模稳定地放入头线圈内，用水平仪调整体模位置，确保其在X轴、Z轴方向水平，将激光定位灯对准体模中部的定位标记后将其送入磁体中心位置。待体模静置5 min后开始扫描。先进行三平面定位像的扫描，在矢状位定位像上确定轴位扫描的层面和位置，从体模最下端45°楔形边相交的顶点开始，到最上端45°楔形边相交的顶点结束，共扫描11层。扫描参数：采用SE-T1WI序列，TR 500 ms，TE 30 ms，FOV 25 cm×25 cm，矩 阵256×256，层厚 5 mm，层间距 5 mm，接收带宽 20.48 kHz或156 Hz/pixel，激励采集次数为1次。

1.3 SNR测算方法

图像SNR指图像中信号强度与噪声强度的比值。在体模轴位图像第7层，用圆形感兴趣区（Region of Interest，ROI）勾画图像中央覆盖75%的信号区域，以该区域的信号平均值作为信号强度，在体模周围背景区域避开伪影选取一个尽可能大的ROI，以该区域的信号强度的标准偏差作为噪声σair，图像SNR的计算公式如式（1）[12]所示。

1.4 图像均匀度测算方法

图像均匀度反映了MRI对体模内同一物质区域的再现能力，在体模轴位图像第7层，在中心区域勾画包含80%体模面积的ROI，得到信号强度的最大值Smax与最小值Smin，图像均匀度的计算公式如式（2）[13]所示。

1.5 自动测量软件设计

1.5.1 图像SNR

根据图像SNR测量方法，需要获得图像中央信号区域的像素均值以及周围背景区域噪声标准偏差。为达到以上目的需要取出信号区域以及周围噪声区域。具体软件实现框图如图1所示。

图1 SNR软件实现框图

首先将第7层图像沿图中所画直线的强度变化绘制成强度变化曲线，见图2。

图2 第7层图像所画直线强度变化曲线

由图2b可知其中心水平线信号强度变化曲线，中央体模区域信号强度远远高于周围背景区域，可直接利用自动获取阈值的方法进行图像二值化，进而得到图3所示图像。获得中心体模信号区域后再进行轮廓“腐蚀”得到图4所示图像。获取中间区域之后和原图相“与”即可得到信号图，可用于计算图像信号均值；将信号区域经过膨胀处理后取反再与原图“与”即可得到噪声图像（图5）。

图3 第7层图像二值化

图4 信号“腐蚀”后区域

图5 背景区域噪声图

通过以上过程即可获得两个关键参数（信号均值以及噪声标准偏差），代入公式（1）即可得到图像SNR。

1.5.2 图像均匀度

根据图像均匀度的测量要求及计算公式可设计程序测量步骤如图6所示。

图6 图像均匀度实现框图

可直接利用自动获取阈值的方法进行第7层图像二值化，获得中心体模信号区域后再进行轮廓“腐蚀”，获取中间区域之后和原图相“与”即可得到信号图，得到信号最大值Smax与最小值Smin，代入公式（2）即可得到图像均匀度。

1.6 统计学分析

采用Excel及SPSS 21.0统计学软件对数据进行整理和统计学分析，采用t检验对手工测算和自动测算所得的SNR和图像均匀度数据分别进行统计学分析，以P＜0.05为差异有统计学意义。采用Bland-Altman统计学方法进行手工测算和自动测算所得数据的一致性分析，横轴为两种方法测量结果的均值，纵轴为两种方法测量结果的差值，如果所有测得的数据均位于差值的95%区间即差值的1.96的标准差范围内，说明具有非常好的一致性[14]。

2 结果

采用手工测算和自动测算方法对MRI设备的5次质控检测的SNR和图像均匀度进行测算，结果如表1所示。采用t检验对手工测算和自动测算所得SNR数据进行统计学分析，两种测算方法所得的结果差异无统计学意义（t=-0.416，P=0.689）。从图7的Bland-Altman图可见，两种方法测得的SNR数据点均位于一致性界限的范围内（-53.1，40.5），说明两种方法有较好的一致性。采用t检验对手工测算和自动测算所得均匀度数据进行统计学分析，两种测算方法所得的结果差异无统计学意义（t=-0.782，P=0.474）。从图8的Bland-Altman图可见，两种方法测得的图像均匀度数据点均位于一致性界限的范围内（-4.7%，3.0%），说明两种方法的一致性较好。

图7 采用手工测算和自动测算图像SNR方法Bland-Altman图

图8 采用手工测算和自动测算图像均匀度方法Bland-Altman图

表1 采用手工测算和自动测算方法得到的SNR和图像均匀度测算结果

3 讨论

在实际工作中，所有用于影像诊断的图像都应当具有一致性且确保其为高质量图像，为此，国内外均提出并不断完善相应的质量控制标准。虽然目前国内外标准中建议以每年1次的频率对SNR、图像均匀度进行检测，但Jiang等[15]研究表明，SNR在2个月内的漂移程度最高可达2个标准差，因此，定期的计量参数检测对维持MRI性能稳定具有重要意义。定期的质控检测能保证为临床持续提供优质的图像，提高诊断可靠性；同时通过将质控检测列入常态化工作，能尽可能地减少设备故障率，延长设备使用寿命，保证科室正常运作，不受停机维修的影响。

SNR与图像均匀度是MRI质控检测的重要参数，均与MRI图像的质量高低密切相关，也是日常必须定期检测的重要参数之一。目前，SNR与图像均匀度的测算多采用手工测算，不但过程繁琐耗时，而且测算结果容易受到检测者主观因素影响，若测算人员发生更替，其连续性意义也将受到影响。同时，观察者内和观察者间的差异也不可避免地会影响质量评估结果的重复性。自动化的参数测算可以从一定程度上解决上述困扰。因此，本文基于Matlab平台，设计自动检测算法，实现对MRI质量控制SNR和图像均匀度参数的自动评价和分析，使MRI质量控制检测工作更智能高效。

在SNR的测算中，信号与噪声的测量一直以来都是一个复杂的课题。其中，由于噪声项处于计算公式的分母位置，因此所测量到的微小的噪声差异，会很大程度地影响最终的SNR值，因此在算法设计中提高对噪声的测量精度尤为关键。目前国际使用较广泛的标准包括ACR[3]的单一图像采集法SNRACR=S/σair、美国电气制造业协会（National Electrical Manufacturers Association，NEMA）标准[16]的两幅图像法，国内标准[4]中SNR的测算方法为 ：SNR国内=（Smean-Sair）/σair。许文辉等[17]对 3 种方法的测量结果进行对比研究发现，所测得的SNR值从大到小分别为：SNRNEMA、SNRACR、SNR国内。这是因为SNRNEMA侧重评估本底噪声，在两幅图像相减时，消除了系统的结构噪声；而SNRACR选取多个背景ROI计算噪声的标准差，将结构噪声纳入考虑；需要注意的是，SNRNEMA及SNRACR在定义噪声值时，都忽略了随机热噪声的影响；而SNR国内同时引入随机热噪声及结构噪声双重因素，可能会对噪声值产生过估计，最终使得SNR值降低。同时，与SNR国内相比，SNRNEMA及SNRACR在测量结果的精确性及重复性方面，具有明显优势，二者不存在明显统计学差异，可以相互替代，但由于SNRACR仅需要获取一次图像，操作简便、易于执行，因此从实用性角度上更具优势。

图像均匀度是测量MRI系统在相同的强度下描绘体模均匀区域的能力，不均匀通常与主磁场或射频磁场不均匀、涡流补偿不足、梯度脉冲校准欠佳以及穿透效应等因素有关，如果图像均匀度指标达不到检定标准时，应逐一排除各项因素，以查找图像均匀度下降的原因[18]。

通过对上述问题的综合考量[19-20]，本研究使用ACR体模进行扫描，Matlab图像处理功能对SNR及图像均匀度进行自动化评估。研究结果显示，对SNR及图像均匀度的自动化评估结果与人工测算结果具有良好的一致性。

需要注意的是，在对体模进行扫描过程中，体模的准确定位十分重要，否则将可能出现伪影或产生错误的图像识别，影响后续测量结果。在图像评估单元，对图像进行合理的二值化阈值选取也十分关键，本研究所采用的是自动获取阈值的方式进行图像二值化。

本研究的局限性主要体现在两方面：① 在体模摆放及最终扫描时，无法避免人为因素所造成的标准扫描层面与实际扫描层面的偏倚，而这种差异将扩大测量结果变异系数范围[21]；② 所使用的算法程序对Matlab平台依赖性强，它要求用户必须安装该软件，然而该软件占用内存大，在普通设备上进行安装使用往往影响设备的运行速度，因此限制了它的推广。但总体而言，基于Matlab平台的自动化评估算法易于实现，应用本研究所使用的设计算法不仅大大减少了参数评估时所需的时间，且所得到的自动化评估结果与人工测算具有较高的一致性，对于质量管理常态化工作的实现具有促进作用。