在磁力共振（MRI）的過程中，顯影劑（如稀有金屬釓）可能帶來潛在的健康風險。香港理工大學（理大）的研究人員多年來致力開發無需顯影掃描的技術，並成功研發出人工智能驅動的虛擬磁力共振，可精準檢測腫瘤，提供更安全、更智能的診斷方法。
鼻咽癌是一種極難治療的惡性腫瘤，因其位於結構複雜的鼻咽區域，周圍環繞著顱底和腦神經等重要結構。這種癌症在華南地區尤為常見，發病率為全球非流行地區的20倍，對當地醫療體系造成沉重負擔。
鑒於鼻咽癌的滲透性，若要制定有效的治療計劃，精準的影像資料是不可或缺的，對仍為主要治療方式的放射治療而言更是如此。傳統上，使用釓類顯影劑（GBCA）增強影像的磁力共振，一直是勾畫腫瘤邊界的黃金標準。但使用釓類顯影劑存潛在風險，因此有必要尋求更安全的成像替代方案。
釓能夠增強內部結構的能見度，這一點對鼻咽癌尤其重要，因為腫瘤具有高度滲透性，需要依賴精確的影像，才能區分癌細胞與周圍的健康組織。然而，釓也帶來重大的健康風險，例如腎源性系統性纖維化，這是一種與釓暴露相關的嚴重疾病，會導致皮膚、關節與內臟器官纖維化，引發劇烈疼痛和殘疾。此外，最近的研究顯示，釓可能在大腦中積聚，令人擔憂其潛在的長期影響。
理大醫療科技及資訊學系主任及教授蔡璟教授，一直致力探索摒棄釓類顯影劑的方法，並積極推動應用深度學習於磁力共振的虛擬顯影強化（VCE）上。蔡教授與研究團隊在2022年刊登於《國際放射腫瘤學．生物學．物理學雜誌》（International Journal of Radiation Oncology, Biology, Physics）的論文中，發表了多模態引導協同神經網絡（MMgSN-Net）的開發成果。2024年，他進一步開發出一種基於生成對抗網路（GAN）的像素梯度模型（Pixelwise Gradient Model），可用於虛擬對比度強化（PGMGVCE）。該模型已發表於《癌症》(Cancers) 期刊。
多模態引導協同神經網絡在從無顯影掃描合成虛擬對比度強化的T1加權磁力共振影像方面，取得了突破性進展。該系統能夠利用T1加權和T2加權影像的互補資訊，生成高質素的合成影像。其架構包含多模態學習模組、協同引導系統、自注意力模組、多層次模組及鑑別器，共同優化特徵提取和影像合成。此系統能夠從每個輸入模態中，解析與腫瘤相關的成像特徵，有效克服單模態合成的限制。
協同引導系統在融合T1和T2加權影像資訊方面扮演關鍵角色，能夠增強網絡擷取互補特徵的能力。此外，自注意力模組有助維持大型解剖結構的形態，這對準確描繪鼻咽癌的複雜解剖結構而言特別重要。
虛擬對比度強化模型建基於多模態引導協同神經網絡，為磁力共振引入了新穎的虛擬顯影強化方法。該模型結合像素梯度法與深度學習架構生成對抗網路，以強化合成影像的紋理及細節表現。
生成對抗網路由兩個部分組成：負責合成影像的生成器，及評估其真實性的鑑別器。生成器與鑑別器協同運作，並根據鑑別器的回饋改善輸出結果。
在該模型中，最初應用於影像配準的像素梯度法，擅長捕捉組織的幾何結構，而生成對抗網路則可確保合成影像，在視覺上與真實的強化掃描影像無異。虛擬對比度強化模型架構可整合，並優先處理T1和T2加權影像的特徵，藉由兩者的互補優勢，產生高保真度的虛擬顯影強化E影像。
在對比研究中，虛擬對比度強化在平均絕對誤差 （MAE）、均方誤差（MSE）和結構相似性指數（SSIM）方面上的準確度，與多模態引導協同神經網絡相近。然而，其紋理映射方面表現更為出色，與顯影強化影像的真實紋理非常接近；相比之下，使用多模態引導協同神經網絡所產生的紋理更顯平滑。
此外，改善後的數值指標，例如平均強度總均方差 (TMSVPMI) 與平均強度Tenengrad函數 (TFPMI)，就顯示了紋理複製變得更加逼真。虛擬對比度強化能夠捕捉複雜的細節和紋理，也顯示出在某些方面比多模態引導協同神經網絡更為出色，特別是在複製顯影T1加權影像真實紋理的表現。
在微調虛擬對比度強化模型時，需要探索各項超參數設定和歸一方法，以最佳化其性能。研究發現，當像素梯度損失與生成對抗網路損失的比例為1:1時，能有效平衡模型的形狀和紋理捕捉能力，達致最佳效果。此外，研究還測試了不同的歸一化技術，例如 z分數、Sigmoid與Tanh方法，以增強模型的學習與概括歸納能力。結果顯示，Sigmoid歸一法最為有效，在MAE和MSE方面略勝其他方法。
研究的另一面向，為評估虛擬對比度強化模型，在使用單一模態（T1-w或T2-w影像）進行訓練時的表現。結果顯示，相較單獨使用任何一種模態，同時使用兩種模態能夠提供更全面的解剖結構映射，改善顯影強化效果。這項發現凸顯整合多種影像模態，以捕捉更完整解剖與病理資訊的重要性。
這些研究發現對鼻咽癌磁力共振技術的未來發展具重大意義。這些模型可減少對釓類顯影劑的依賴，提供更安全的替代方案，特別惠及對顯影劑過敏或具風險的患者。此外，虛擬對比度強化所實現的強化紋理映射，可以提高診斷的準確度，幫助臨床醫生更有效地識別及判別腫瘤。
未來的研究應著重於擴展這些模型的訓練資料集，並整合更多磁力共振模式，以進一步增強其在不同臨床環境中的診斷能力與通用性。隨著相關技術持續演進，有望徹底改變醫學影像的發展方向，為癌症診斷和治療計劃提供更安全有效的工具。
參考資料： Innovation Digest Issue 3
