Article Info

磁共振成像（Magnetic Resonance Imaging，MRI）是重要的影像诊断技术之一，为重大、主流疾病的诊疗提供了可靠的影像学依据。为了保证MRI安全性、可靠性及参数准确性，需定期做好质量控制检测[1-3]。信噪比（Signal to Noise Ratio，SNR）是MRI最基本的质量参数，也是MRI最基本的质量控制检测参数，一方面它是各种认证机构对MR设备准入认证进行技术评判的重要量化指标之一，另一方面，SNR的高低直接决定图像质量的好坏，对临床诊断结果的准确性起到至关重要的作用。一幅MR图像如果没有足够的SNR，那么其他图像质量指标就无从谈起[4]。

MR设备质量控制检测SNR的测算目前多采用手工测算的方法，该方法费时费力，一般至少需要30 min，过程繁琐耗时；测算结果会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。本文设计了SNR检测算法，从而实现SNR的自动测量，以实现对MR质量控制图像SNR参数的自动评价和分析，使MR质量控制检测工作更智能高效。

1 材料与方法

1.1 参考标准

Magnetic Resonance Imaging Quality Control Manual[5]，美国放射学院（American College of Radiology，ACR），2015。

1.2 质控检测体模与受检设备

采用MRI专用ACR体模进行质控检测，体模内部填充氯化镍和氯化钠溶液。受检设备为Siemens Trio 3.0 T，于2008年10月安装使用。

1.3 体模扫描方法

先将体模摆放于头线圈内，使用水平尺测量其是否水平并校正，以确保体模在各个方向上保持水平。打开激光定位灯对准体模中部的定位标记后，进床将体模置于磁体中心，静置5 min后开始进行扫描信息登记及扫描。

创建一个新的病人检查记录，进行三平面定位像扫描，然后在定位像上如图1所示确定轴位扫描层面，共扫描11层，层厚5 mm，层间距5 mm。

扫描参数：采用自旋回波序列，TR=500 ms，TE=30 ms，矩阵=256×256，层厚=5mm，层间距=5mm，FOV=25cm×25 cm，接收带宽 =20.48 kHz或 156 Hz/pixel，激励采集次数为1次。

1.4 信噪比测算方法

在ACR体模轴位图像第7层进行信噪比的测算，首先在图像中央选取75%以上区域的感兴区域（Region of Interest，ROI）得到信号平均值，然后在体模周围背景区域（频率编码方向）避开伪影选取一个尽可能大的ROI作为背景信号和噪声的统计值（图2），以该区域的信号强度的标准偏差作为噪声，由公式SNRACR=（Mean Signal in Phantom）/σair计算得出图像的信噪比。式中，σair：背景区域的信号标准偏差[5]。

1.5 SNR自动测量程序设计

1.5.1 程序的设计思路

本程序是基于Matlab 2012b平台编写的，Matlab 2012b平台的优势在于它丰富的数学函数库以及操作简便的图形用户界面，不仅开发效率高，而且具有强大的数据处理能力。该程序可对DICOM格式的MR图像进行解析和处理，能够详细地获取图像重要参数。通过MATLAB图像处理，自动测量出信噪比。程序的系统框图如图3所示。

1.5.2 图像预处理

结合MR质量控制常规检测操作，分析测得的质控图像，可以发现要计算SNR，必须先对图像中的中央特征区域进行提取，具体实现流程如图4所示。

1.5.3 自动测量SNR

该方法测量SNR需要获得图像中央区域选取的ROI内像素信号均值以及周围背景区域的像素信号标准差，具体编程实现流程图如图5所示。

导入图像后，首先确认扫描图像中没有明显的伪影，然后采用合适的阈值实现对扫描图像的二值化，接下来对中央ROI区域进行提取，通过控制腐蚀技术中的参数来保证测量ROI面积的准确性。处理后可得到图6所示的ROI区域，然后即可利用mean函数计算ROI区域内像素的信号强度平均值作为信号值。接下来是形态学处理提取周围背景区域，得到如图7所示的图像。

将图7反转，即取反后，与原图像相点乘，即可得到周围背景区域图像，如图8b所示，找到其中不为零的元素，就是背景区域像素，即可利用std函数求得其标准偏差作为噪声值，然后代入公式SNRACR=S/SD即可求得图像SNR。式中，S为体模中央区域ROI内像素的信号强度平均值，SD为背景区域标准偏差。

对噪声测量影响较大的是伪影，如果扫描的图像上有伪影，会造成噪声偏大，从而计算得到的SNR降低，因此，为了保证SNR结果的偏差尽量小，如果图像有伪影，图像舍弃后重新进行扫描。

1.6 统计学处理

采用Bland-Altman统计学方法分析手工测量和自动测量两种方法的一致性，它的原理是通过对两种测量方法间的差异进行随机效应分析来解释说明一致性问题。该统计学方法以两种测量方法的结果均值为横坐标，两种测量方法的测量结果差值为纵坐标，绘制散点坐标图，并以差值的95%分布范围作为一致性界限（Limits of Agreement，LoA，dˉ±1.96Sd），结合实际允许的最大误差，从而得出两种检测方法在评价该指标上是否具有一致性的结论。如果两个测量结果的差异位于95%LoA内，则认为这两种方法测量结果有较好的一致性[6-9]。

2 结果

以某次质量控制得到的ACR体模第7层图像作为检测对象，下表为分别使用手工测算和自动测量两种方法对SNR的检测结果。基于表1中数据绘制出的Bland-Altman图如图9所示。

以手工测算法和自动测量法两种方法测量结果的均数为横轴，以两种方法测量结果的差值为纵轴，绘制散点图，图中横着的实线是两种测量方法差值的均值线，上下的虚线是差值的±1.96倍标准差。从Bland-Altman图可以看出，计算出的所有数据点均位于一致性界限范围内（-16.2，0.90）分布，说明两种方法测量结果较为接近，即认为两种方法的一致性较好，在检测SNR方面可相互替代。

3 讨论

目前国内外应用较多的MRI质量控制检测规范是由ACR提出的系列标准，检测项目主要包括SNR、空间分辨率、低对比度分辨率和图像的均匀性等多项重要参数[10-13]。信噪比是MR图像最基本的质量参数，SNR的高低直接决定了图像质量的优劣，因此SNR是必须定期进行检测的重要参数之一。

MR系统质量控制检测分两步，第一步是扫描体模，第二步是在扫描体模得到的图像上进行质控参数的测算。第一步扫描技术容易掌握且较成熟，问题主要出在第二步，即对质控参数的测算上。在过去，SNR测算均采用手工计算的方法，一方面长时间占用MR后处理工作站，影响日常工作，另外一方面计算繁琐且主观差异性较大[14]。在这种情况下，本研究基于Matlab 2012b平台，设计了SNR检测算法，能够实现SNR的自动测量，从而使MR质量控制检测工作更智能高效。

通过对手工测量和自动测量SNR的两种测量方法结果的分析和对比发现，两种方法之间一致性较好，且自动测量较手工测量更加省时省力。手工测量SNR要绘制中央区域ROI，同时还要在背景区域绘制多个ROI，使得噪声计算更加精确，确保检测结果可靠，耗费较多时间与精力，而对于自动测量方法只要导入SNR测量图像，运行程序就可以得到结果。

为了确保测量的准确性和可靠性，需要在体模的摆位及扫描做好质控，从而能够获得一组完整且准确度较高的质量控制检测数据。体模的摆位要准确，如果摆位时体模不水平或者有倾斜，导致定位时不够准确，太靠近其相邻层面，会使SNR测量层面图像中出现伪影，会导致图像识别出现错误，从而影响后期的图像参数测量。另外，二值化是图像预处理的重要一部分，阈值的选取对于二值化的效果有影响，因此二值化时阈值选取要合理。

另外，本研究主要基于ACR体模进行SNR的手工测量和自动测量研究，主要基于两方面考虑，一方面是因为目前ACR标准在国际比较通用，另一方面是因为ACR体模在测量信噪比时计算方法简便且耗时短。国内近些年多位教授和他们的学术团队对MRI常用成像参数和系统性能的测试进行了研究，并制定了卫生行业标准及地方计量技术规范等[15-17]。目前国内主要采用WS/T 263-2006规范进行磁共振质控检测，此规范中 SNR 计算为：SNR=（Smean-Sb）/SD，其中 Smean为影像上75%中心区域内ROI内的像素平均值，SD为本区域标准偏差，Sb为背景区域的本底像素平均值。ACR标准和WS/T 263-2006规范对SNR测量方法不同，所反映设备性能上的侧重点也有差异：ACR提出的计算SNR的方法中是利用多个背景区域标准偏差的均值作为噪声，在一定程度上降低了结构噪声的影响，但是忽略了受扫描物体自身产生的随机噪声的影响，从而对噪声产生一定的低估导致SNR值偏大；WS/T 263-2006所定义的噪声包含了随机性热噪声以及结构性噪声的双重影响，因此会对图像噪声产生过估计导致SNR值偏小[18]；两种方法对噪声的估计存在差异，因而使得SNR值不同，同时有研究表明两种规范下SNR不存在线性相关性[19]。因此在对MR系统进行SNR测量时，可以采用两个规范分别进行检测，各自形成基线，将两种方法测量结果结合起来，比较不同方法的SNR值及其变化可更好地对系统性能进行评价。当然，无论是采用ACR还是WS/T 263-2006规范进行SNR检测，最重要的还是要通过连续多次测量，建立起设备运行基线。设备运行状态良好的情况下，质量控制检测指标均围绕建立的基线波动，如果出现偏离基线较多的情况，就需要对设备的软硬件进行校正。

本研究也存在一些缺陷，对于非专业人员而言，Matlab平台最大的缺点就是它的平台依赖性太强，可移植性较差，很多程序往往只能在安装Matlab软件的计算机上运行，而这一点对于一般的用户而言是不可能做到的，因为少有人会因为用一款软件而安装Matlab这种大容量软件，因此限制了它的推广。可喜的是，Matlab提供了和其他编程环境混合运用的接口，如VC++平台和Matlab平台的混合编程，可以脱离Matlab环境，发布独立的应用程序。另外，目前在机器学习和人工智能方面比较热门的Python，其移植性和拓展性较好，未来可以将Matlab核心算法移植到Python语言编写，摆脱了对Matlab平台的依赖性，更加有利于其推广使用。

总之，基于Matlab平台在测算SNR方面，手工测算和自动测量两种方法具有较好的一致性，自动测量方法测算结果不受检测者主观因素影响，比人工测量效率高，耗时短，使MR质量控制检测工作更智能高效，更加有利于临床医学工程师MR质控工作的开展。

[1]陈自谦.大型医学影像设备质量控制与质量管理的现状与思考[J].中国医疗设备,2018,33(10):1-6.

[2]杨正汉,王振常.重视MRI设备临床质量控制——发挥设备最优性能[J].中国医学影像技术,2017,33(11):1605-1606.

[3]付丽媛,梁永刚,陈自谦,等.基于美国放射学院(ACR)标准的医用磁共振成像系统质量控制检测及处置界限建立[J].中国医疗设备,2018,33(10):7-11.

[4]倪萍,孙钢.医用磁共振成像设备质量控制检测技术[M].北京:中国质检出版社,中国标准出版社,2016,9.

[5]Ron P,Jerry A,Geoffrey C,et al.Magnetic Resonance Imaging Quality Control Manual[M].Reston,VA:American College of Radiology,2015.

[6]萨建,刘桂芬.定量测量结果的一致性评价及Bland-Altman法的应用[J].中国卫生统计,2011,28(4):409-411.

[7]闻浩,陆梦洁,刘玉秀,等.定量测量Bland-Altman一致性评价方法研究及临床应用[J].医学研究生学报,2015,28(10):1107-1111.

[8]缪华章.基于Bland-Altman法LoA可信区间的一致性评价[D].广州:南方医科大学,2014.

[9]熊晖,付丽媛,陈自谦,等.磁共振质量控制参数均匀度检测方法的对比研究[J].中国医疗设备,2018,33(10):15-18.

[10]梁永刚,付丽媛,陈自谦,等.磁共振成像系统的主磁场均匀性检测[J].中国医疗设备,2018,33(10):12-14.

[11]冯庆宇.第六讲核磁共振成像装置(MRI)质量控制与实施保证[J].中国医疗设备,2011,26(1):151-155.

[12]尹红霞,杨娉娉,刘雅文,等.MRI设备中心频率和发射增益稳定性检测及处置界限建立[J].中国医学影像技术,2017,33(8):1260-1263.

[13]尹红霞,刘雅文,杨娉娉,等.正交鸟笼头线圈质量控制检测与建立处置界限的初步实践[J].中国医学影像技术,2018,34(1):123-127.

[14]林迪逵,付丽媛,陈自谦,等.基于随机Hough变换圆检测算法的MRI QC空间线性度自动检测程序设计[J].中国医疗设备,2018,33(10):19-22.

[15]杨广达.医用磁共振成像设备远程质量检测系统的研究[J].中国新通信,2020,22(8):248-248.

[16]刘维霞.关于医用磁共振成像系统(MRI)磁场强度建标符合性评定的探讨[J].信息记录材料,2019,20(9):27-29.

[17]叶福钰,吴怀义.医用磁共振成像系统检定方法的探讨[J].工业计量,2018,28(1):27-30.

[18]熊晖.基于ACR体模的医用磁共振质量控制检测智能评价系统研究[D].福州:福州大学,2018.

[19]丁朝飞.MRI远程质量控制核心指标及其关键技术研究[D].广州:南方医科大学,2018.

基于ACR体模磁共振成像系统质量控制检测的信噪比自动测量研究

引言