化学交换饱和转移（Chemical Exchange Saturation Transfer，CEST）成像是一种新的磁共振成像（Magnetic Resonance Imaging，MRI）对比机制^{[1, 2]}，其不仅可以对极低浓度的化学基团进行单独成像，而且可用于检测基团所在环境（如酸碱度^[3]、温度等）^[4]，因此非常适合分子成像研究^[5].酰胺质子转移（Amide Proton Transfer，APT）^[6]成像将酰胺基团质子（–NH）作为交换点位置（δ 3.5），是使用最为广泛的CEST成像的亚型.大量研究表明，APT成像可以很好地提示肿瘤、缺血性中风及神经退行性病变^[7]等病理信息^{[8, 9]}.目前APT成像的应用研究主要集中于颅脑^{[10, 11]}，在其他部位尤其是腹部的应用很少^[12-14].

APT成像在腹部的应用受到多方面因素的限制.首先，被试呼吸会带来严重的运动伪影，通常的解决方案是呼吸触发技术，即采用压力传感器或横隔膜导航回波监测被试呼吸运动，并进行实时触发CEST数据采集^[15].其次，腹部脂肪也会产生影响，传统APT效应的量化依赖于非对称性分析，而脂肪会在非对称性磁化转移率（Magnetization Transfer Asymmetry，$ {\text{MT}}{{\text{R}}_{{\text{asym}}}} $）中贡献额外的分量而产生伪影.目前常采用脂肪抑制方法从图像信号源头抑制脂肪信号，如频率选择性反转恢复（Spectral Presaturation with Inversion Recovery，SPIR）技术.此外，主磁场B₀不均匀性也是腹部CEST成像的一个难点^[12].在颅脑APT成像中，B₀场的偏移量通常较小，一般可通过直接水饱和偏移参考法（Water Saturation Shift Referencing，WASSR）^[16]在±100 Hz内额外采集若干频率偏移点便能得到有效的矫正.而在腹部，B₀场的偏移量远大于颅脑，需要在更大的范围（如±200 Hz）内进行WASSR的额外采集，时间将会成倍增加，这在腹部屏气扫描中往往是不合适的.另一种B₀场矫正的方法是采集基于梯度回波的相位图信息，从而得到不同像素的磁场偏移量^[17]，但由于相位缠绕的问题，所得到的B₀图会被缠绕在–π到π之间，因此所得到的B₀图可能会被低估.即便采用目前较为成熟的相位解缠绕的方法^[18]，要稳定还原出真实B₀值的步骤仍较繁琐.另外，上述两种方法都需要额外的序列进行扫描.温度的变化、空气流动以及不同序列间的匀场机制都会略微改变B₀场的分布，这被称为“场漂移”现象^[19]，因此在腹部APT成像中需要提出更适合的方法对B₀场进行矫正.

目前，临床定量APT成像一般采用非对称性分析法，得到的对比度信息并非单纯的APT效应.脂质等化合物中的氢核普遍存在核奥氏增强（Nuclear Overhauser Enhancement，NOE）^[20]效应，其分布于δ −2 ~ −5之间，因此通过非对称性分析法中得到的对比度其实是“APT-NOE”加权成像.在超高场仪器中可利用三点法来提取APT信号^[21]，即采取Z谱δ 2与δ 5的信号做平均，用它减去δ 3.5的信号从而得到成像对比度，但这个方法准确度较差，且在目前临床使用的3 T系统中效果不明显.通过洛伦兹拟合法提取纯CEST信号是近年来备受关注的一个方法^[22]，其通过对采集的Z谱进行洛伦兹拟合得到不同成分所产生的信号，该方法不仅可以获得不同交换点位置的CEST成像，还可以得到NOE成像和磁化强度转移（Magnetization Transfer，MT）成像.但是，洛伦兹拟合法引入了过多的理想化因素，而实际在非超高场情形下，信号在Z谱上的谱宽很宽且相互叠加，并且NOE交换区域的信号线形并非理想的洛伦兹线形^{[23, 24]}.另外，要获得精准的拟合需要更密集频率位置的信号采集，需要花费大量的时间，这在腹部临床APT成像中无疑不太现实.因此，高效准确分离APT效应和NOE效应对于CEST定量成像很有必要.

本文提出了一种基于神经网络拟合的CEST后处理方法，通过对每个像素采集得到的Z谱特征进行识别，不需要额外序列扫描即可得到背景参考Z谱与主磁场偏移量.该方法不仅可替代腹部CEST成像中原有的冗杂的B₀场矫正流程，同时也可分离APT效应和NOE效应的贡献.

在CEST成像中，频率选择性饱和脉冲导致水信号的衰减主要来源于直接饱和（Direct Saturation，DS）效应、MT效应、不同交换位点的CEST效应以及NOE效应.其中自由水池的DS效应与半固态大分子池的MT效应广泛存在于Z谱中，而CEST效应与NOE效应则仅在对应的交换点附近存在.我们将仅包含DS效应与MT效应的归一化水信号衰减随着照射频率变化的曲线称为背景参考Z谱.如果每个像素都能得到准确的背景参考Z谱，将它与扫描得到的Z谱进行相减便可以提取出不同交换位点的CEST或NOE对比度信息.

在饱和射频脉冲确定的情况下，背景参考Z谱的形态不仅受到组织中自由水池的纵向弛豫率和横向弛豫率的影响，还与组织中大分子池的质子浓度、纵向弛豫率、横向弛豫率以及与自由水池能量的弛豫交换速率有关，可以采用双池耦合系统的布洛赫方程来描述磁化矢量的演化^{[25, 26]}：

(1)$\begin{array}{l}\frac{{{\rm{d}}M_z^a}}{{{\rm{d}}t}} = R_1^a(M_0^a - M_z^a) - kM_0^bM_z^a + kM_0^aM_z^b + {\omega _1}M_y^a\\\frac{{{\rm{d}}M_z^b}}{{{\rm{d}}t}} = R_1^b(M_0^b - M_z^b) - kM_0^aM_z^b + kM_0^bM_z^a + {\omega _1}M_y^b\\\frac{{{\rm{d}}M_x^{a,b}}}{{{\rm{d}}t}} = - M_x^{a,b}R_2^{a,b} - 2{\rm{\pi }}\Delta \omega M_y^{a,b}\\\frac{{{\rm{d}}M_y^{a,b}}}{{{\rm{d}}t}} = - M_y^{a,b}R_2^{a,b} + 2{\rm{\pi }}\Delta \omega M_x^{a,b} - {\omega _1}M_z^{a,b}\end{array}$

其中，$ M_0^a $为自由水池a在热平衡状态下总的磁化矢量强度；$ M_0^b $为半固态大分子池b在热平衡状态下总的磁化矢量强度；k为两池间磁化矢量强度转移的比率常数；$ M_{x, y, z}^{a, b} $分别是自由水池a和半固态大分子池b磁化矢量在x、y和z方向的分量；$ {\omega _1} $是射频脉冲辐照幅度；$ \Delta \omega $是射频脉冲偏照频率；$ R_1^{a, b} $（= 1/$ T_1^{a, b} $）分别为双池的纵向弛豫率；$ R_2^{a, b} $（= 1/$ T_2^{a, b} $）分别为双池的横向弛豫率；两池间沿任一方向磁化矢量交换率用$ kM_0^aM_0^b $表示.

可对该方程的数值仿真模型进行进一步地优化^[27]，允许采用更准确的非完全对称MT效应以及更合适的仿真线形.我们利用此模型对影响背景参考Z谱的生理组织参数在所有可能的范围中进行组合遍历（表 1），同时给定水峰在δ −1.6 ~ 1.6之间随机偏移以模拟主磁场B₀的偏移，这样就可得到涵盖生理环境中存在的所有可能情况的背景参考Z谱集.

图 1为本文提出的APT成像重建方法的流程图.首先，通过数值仿真产生理想背景参考Z谱集，并进行加噪处理，以得到更接近真实情况的模拟背景参考Z谱集[图 1(a)].然后，对于每个模拟的背景参考Z谱，以频率偏移为δ −9.5、−9、−8.5、−8、−7.5、−1.5、−1、−0.5、7.5、8、8.5、9和9.5的归一化水信号作为模型训练输入[图 1(c)中红色点]，这些频率偏移避开了酰胺质子（δ 3.5）、氨基质子（δ 2.0）和羟基质子（δ 1.0）的CEST效应与脂质质子（δ −2 ~ −5）的NOE效应交换点位置. 将整个背景参考Z谱[图 1(c)蓝色实线]以及自由水池化学位移偏移量作为模型的训练输出.本研究共从数值仿真中得到40万个背景参考Z谱，并随机分为三部分：28万个作为训练数据集，6万个作为验证数据集，6万个作为测试数据集.通过Matlab软件“nftool”工具包（MathWorks，Natick，MA）训练得到由10个S型隐藏神经元以及线型输出神经元组成的多层前馈式神经网络，如图 1(d)所示.本文采用了Levenberg-Marquardt算法对神经网络进行训练，该算法提升了训练效率.当模型的泛化能力不再提升时，训练过程便会停止.使用一台具有8核心处理器与6 Gb显存的计算机对神经网络训练的总时长大约是7 h，之后对新采集的数据使用网络预测每组数据的时间小于10 s.

当采集到每个射频频率偏移位置的数据点后，先通过参考扫描的图像进行归一化，再将他们进行三次样条插值后绘制成原始的Z谱[图 1(b)中红色实线]，然后将δ −9.5、−9、−8.5、−8、−7.5、−1.5、−1、−0.5、7.5、8、8.5、9和9.5对应的归一化水信号数据[图 1(b)中红色点]输入到网络中进行预测，得到相应的参考背景Z谱和自由水水峰偏移量（即B₀场偏移量），用以矫正原始Z谱.矫正后的结果如图 1(e)所示，红色实线表示矫正后的采集Z谱，蓝紫色虚线表示矫正后的参考背景Z谱，箭头指向的阴影区为APT效应的贡献.最后，将图 1(e)中两个Z谱在特定感兴趣的交换点相减后就可得到不同的成像对比度，将处于δ 3.5处的数据点相减可得到APT成像[图 1(f)]，或在δ −3.5处即得到NOE成像.Z谱相减所用的公式如下：

(2)$ \begin{gathered} {\text{APT}} = {Z_{{\text{ref}}}}({\omega _1}) - \frac{{{S_{{\text{acq}}}}({\omega _1})}}{{{S_0}({\omega _1})}} = {Z_{{\text{ref}}}}({\omega _1}) - {Z_{{\text{acq}}}}({\omega _1}) \hfill \\ {\text{NOE}} = {Z_{{\text{ref}}}}({\omega _2}) - \frac{{{S_{{\text{acq}}}}({\omega _2})}}{{{S_0}({\omega _2})}} = {Z_{{\text{ref}}}}({\omega _2}) - {Z_{{\text{acq}}}}({\omega _2}) \hfill \\ \end{gathered} $

其中$ \omega $指代所选取的感兴趣交换点位置，$ {\omega _1} = 3.5{\text{ ppm}} $，$ {\omega _2} = - 3.5{\text{ ppm}} $，$ {S_0} $表示未加CEST饱和射频的参考像信号强度，$ {Z_{{\text{ref}}}} $为背景参考Z谱信息，$ {Z_{{\text{acq}}}} $为采集Z谱的信息.

作为对比，也可以计算得到传统的非对称性分析$ {\text{MT}}{{\text{R}}_{{\text{asym}}}} $成像，其公式如下：

(3)$ {\text{MT}}{{\text{R}}_{{\text{asym}}}} = \frac{{{S_{{\text{acq}}}}( - \omega )}}{{{S_0}}} - \frac{{{S_{{\text{acq}}}}(\omega )}}{{{S_0}}} = Z( - \omega ) - Z(\omega ) $

先前的研究^[28]显示，反差商是一种更好的CEST对比度的表现方法，可采用(4)式计算，其中$ {\omega _1} = 3.5{\text{ ppm}} $，$ {\omega _2} = - 3.5{\text{ ppm}} $：

(4)$ \begin{gathered} {\text{AP}}{{\text{T}}_{{\text{REX}}}} = \frac{1}{{{Z_{{\text{ref}}}}({\omega _1})}} - \frac{1}{{{Z_{{\text{acq}}}}({\omega _1})}} \hfill \\ {\text{NO}}{{\text{E}}_{{\text{REX}}}} = \frac{1}{{{Z_{{\text{ref}}}}({\omega _2})}} - \frac{1}{{{Z_{{\text{acq}}}}({\omega _2})}} \hfill \\ \end{gathered} $

为了比较不同分析方法对两种组织间的对比度情况，我们在两种组织内分别取一个形状大小都相同的感兴趣区域（Region of Interest，ROI），并引入对噪比（Contrast-to-Noise Ratio，CNR）进行定量分析：

(5)$ {\text{CNR}} = \frac{{|{M_{{\text{ROI}}1}} - {M_{{\text{ROI}}2}}|}}{{(S{D_{{\text{ROI}}1}} + S{D_{{\text{ROI}}2}})/2}} $

其中$ {M_{{\text{ROI}}1, 2}} $和$ S{D_{{\text{ROI}}1, 2}} $分别表示在某一ROI内的平均信号强度和所有像素信号强度的标准差；CNR表示两个ROI间的区分度，CNR越大表示区分度越好.

采集生鸡蛋中蛋清部分和四名健康志愿者腹部的Z谱，并进行后处理和分析，以验正本文提出方法的B₀场矫正效果，以及分离APT效应与NOE效应贡献的能力.所有实验均在3 T MRI系统（Ingenia CX 3.0T，飞利浦医疗，荷兰）上完成.

鸡蛋清扫描时，信号采集采用32通道头部线圈，使用基于快速自旋回波（Fast Spin-Echo，FSE）^[29]成像模块的CEST序列（CEST-FSE），采用频率选择性反转恢复技术抑制脂肪信号.相关成像参数为：重复时间（Repetition Time，TR）= 1 400 ms，回波时间（Echo Time，TE）= 6.8 ms，视野（Field of View，FOV）= 150×150 mm²，层厚=7 mm，单层，矩阵大小=150×150，回波链长度=31，并行成像加速因子=1.6，接收带宽为320 Hz/像素.CEST饱和模块采用双射频激发^[30]，射频脉冲强度为1 μT，总时长为1 s.整个扫描流程共施加32个射频频率偏移点，其相对水质子共振的频率顺序为δ −10、10、−8、8、−6、6、−5、5、−4.5、4.5、−4、4、−3.75、3.75、−3.5、3.5、−3.25、3.25、−3、3、−2.5、2.5、−2、2、−1.5、1.5、−1、1、−0.5、0.5、0，另外采集一次未施加CEST饱和脉冲的图像作为参考成像，总扫描时长约为110 s.

人体腹部实验采用32通道体线圈和CEST-FSE序列，扫描参数如下：FOV = 302×380 mm²，矩阵大小=280×352，其他扫描参数与鸡蛋清一致.数据采集在被试屏气状态下完成，要求被试每次屏气到相似的呼吸深度，每次屏气时间约为9 s，共需屏气16次.检查每次屏气采集的层面基本一致后，将所得到的图像使用仪器自带的Elastix工具进行弹性配准^{[31, 32]}.为了比较不同方法得到的B₀图对CEST结果的影响，还采集双回波梯度回波（Gradient Recalled Echo，GRE）图像计算得到主磁场B₀图，其扫描参数为：FOV=302×380 mm²，矩阵尺寸=280×352，TR=45 ms，TE1=4.6 ms，TE2=6.9 ms，翻转角=10˚，层面位置与CEST-FSE序列一致.

图 2显示了生鸡蛋CEST成像的结果.图 2(b)是由CEST序列采集得到的Z谱进行预测得到的B₀场偏移量图.图 2(c)蓝紫色虚线显示了鸡蛋清中某个像素进行神经网络预测得到的矫正后背景参考Z谱，其水峰中心处于δ 0，说明B₀场矫正得很好.图 2(d)为通过非对称性分析得到的鸡蛋清$ {\text{MT}}{{\text{R}}_{{\text{asym}}}} $图，图 2(e)和2(f)分别表示每个体素通过图 2(c)箭头处红实线与蓝虚线相减后得到的鸡蛋清APT图与NOE图.与传统非对称性分析得到的$ {\text{MT}}{{\text{R}}_{{\text{asym}}}} $图相比，本文方法得到的APT图中鸡蛋清对比度有了显著提升.

四名健康志愿者的腹部CEST成像得到了类似的效果.图 3显示了一名健康志愿者腹部由GRE序列采集和基于神经网络拟合得到的主磁场图和相应的CEST结果.两种方法得到的B₀场图在大范围内基本类似[图 3(b)和3(e)].基于梯度回波的B₀场图在某些小范围内出现了缠绕现象，从而导致主磁场偏移量被低估[图 3(b)]，需要后续对其进行解缠绕.相比之下，基于神经网络预测所得的B₀场更为平滑[图 3(e)]，符合主磁场偏移的真实情况，但是皮下脂肪和大血管处Z谱受到过多干扰超出了网络的预测能力，因此在B₀场图显示异常的低信号.图 3(c)和3(f)显示了通过不同主磁场矫正方法的$ {\text{MT}}{{\text{R}}_{{\text{asym}}}} $成像结果.图 3(d)和3(g)分别表示了图 3(a)中箭头所指向的肾脏中橙色圆圈处组织采用两种B₀场方法矫正后得到的Z谱.图 3(d)中矫正后的Z谱中水峰中心偏离δ 0处，说明矫正不理想；而基于神经网络预测不需要额外的扫描序列，但B₀场矫正后的Z谱中水峰中心位于δ 0处，说明B₀场矫正得较好.通过GRE方法得到的B₀矫正后的$ {\text{MT}}{{\text{R}}_{{\text{asym}}}} $图和Z谱不准确的可能原因是：采集B₀场图的梯度回波序列与CEST序列是分开扫描的.尽管采用了屏气策略，但每次屏气深度难以完全一样，而且呼吸导致腹部器官的运动是非刚体运动，因此很难保证两个序列的扫描层面完全一致.扫描层面不完全一致会导致器官有一些错位，而由于肾脏的体积较小，因此更容易受到影响.

图 4显示了一名健康志愿者肝脏及右肾的基于神经网络拟合得到的CEST成像结果，其中图 4(a)展示了矫正后单个体素的Z谱（红色实线）与神经网络预测得到的背景参考Z谱（蓝紫色虚线），分别提取δ 3.5处（绿色箭头所示）和δ −3.5处（黄色箭头所示）的信号即可得到APT图[图 4(b)]与NOE图[图 4(c) ]、以及对应的反差商成像[图 4(e)&(f)].对CEST结果图上的肝脏组织与肾脏组织分别取两个ROI（图中橙色圆环）进行CNR定量分析，“APT-NOE”加权$ {\text{MT}}{{\text{R}}_{{\text{asym}}}} $图上两种组织的CNR为0.34，纯APT图上两种组织的CNR为1.1，APT反差商图上两种组织的CNR则为2.3，可见纯APT图和APT反差商图比$ {\text{MT}}{{\text{R}}_{{\text{asym}}}} $图肝脏与肾脏之间的区分度更好.

蛋白质分子无处不在，CEST技术可以为我们提示组织很多生理和病理信息，腹部APT成像也是如此.本研究提出了一种通过机器学习矫正主磁场偏移量并分离APT效应及NOE效应的CEST后处理方法.鸡蛋清和健康志愿者腹部成像结果显示，本文基于神经网络的CEST后处理方法取得了较好的效果.

精确测量每个像素的主磁场偏差从而生成B₀图并用作矫正由主磁场不均匀性而引起的成像伪影，是腹部APT成像中关键的一步.基于GRE的相位图，可得到不同像素的磁场偏移量信息^[17].然而由于腹部主磁场的不均匀性较大，因此会在某些位置中出现相位缠绕的现象，由于腹部组织的复杂性，通过相位解缠绕来稳定地还原出真实的B₀值步骤仍较为繁琐^[18].另一方面，额外的梯度回波序列会带来“场漂移”现象^[19]，这个现象在获取B₀场的WASSR法中也有出现，场漂移可能是由于温度等环境因素随着时间的变化而导致的，也可能与机器本身的匀场机制有关.本文提出的基于神经网络预测的方法可得到比较精确的主磁场B₀图，可有效矫正腹部CEST成像中主磁场不均匀性的影响.虽然基于神经网络的Z谱在皮下脂肪与大血管处受到较大干扰，超出了网络预测范围，但不会影响感兴趣的组织信息，效果上是可以接受的.此外，因此本文所提出的B₀场矫正方法不需要额外的扫描序列，在达到稳定校正效果的同时还节省扫描时间.

目前临床APT成像中广泛采用非对称性分析的方法来提取酰胺基团交换点位置的信号.虽然这个方法可以去除MT与DS效应的影响，但这仍然面临着在Z谱δ −3.5处的信号不纯净的问题.因此从CEST临床应用的角度，单独提取Z谱两侧的信号或许更有价值.本文分析了组织潜在可能的背景参考Z谱的表现模式，通过神经网络进行学习并预测每个像素采集Z谱的背景参考谱线形，并由此得到纯净的APT对比度与NOE对比度.鸡蛋清和健康志愿者腹部成像结果均显示，与基于非对称性分析方法得到的APT-NOE加权图相比，纯APT图具有更好的组织对比度，这有可能让腹部病变的诊断更加敏感.

在体部CEST成像中，δ −3.5处信号降低的贡献不仅有NOE效应，同时也有部分的脂肪DS效应，而目前的脂肪抑制方法都不能稳定地去除所有脂肪的影响，而且不同的脂肪抑制方法和主磁场均匀性会到导致抑脂效果不一样，因此采用非对称性分析方法研究个体之间的CEST效应差异会出现很大问题.本文方法能将δ 3.5处APT效应的贡献单独提取出来，理论上可不受脂肪抑制效果的影响，对个体中、个体间及组间的定量分析有着积极作用.

我们的研究也还有一些值得进一步改进的地方.首先，不同的射频照射时长及强度都会改变DS效应和MT效应，因此每个特定的CEST饱和射频策略都需要训练一个独特的网络，如果改变序列的CEST饱和策略则需要重新训练神经网络.其次，对于主磁场偏移量的预测有一定的范围限制，偏移量超过200 Hz时可能会超出预测的范围，这与表 1中自由水池偏移量设定较为保守有关.此外，网络模型有一定的改进空间，将来或许可以通过采集更少的点来进行预测分析.最后，对于其他器官，需要对所在器官组织的生理参数范围做出相应的适配后才能应用.

本研究提出了一种应用于腹部APT成像的后处理方法，利用神经网络拟合背景参考Z谱，同时获得自由水池水峰偏移量的信息进行矫正并提取信号，成功地获得了纯净的APT对比度的信息，对科学定量CEST研究起到积极作用.