在磁力共振（MRI）的过程中，显影剂（如稀有金属钆）可能带来潜在的健康风险。香港理工大学（理大）的研究人员多年来致力开发无需显影扫描的技术，并成功研发出人工智能驱动的虚拟磁力共振，可精准检测肿瘤，提供更安全、更智能的诊断方法。
鼻咽癌是一种极难治疗的恶性肿瘤，因其位于结构复杂的鼻咽区域，周围环绕着颅底和脑神经等重要结构。这种癌症在华南地区尤为常见，发病率为全球非流行地区的20倍，对当地医疗体系造成沉重负担。
鉴于鼻咽癌的渗透性，若要制定有效的治疗计划，精准的影像数据是不可或缺的，对仍为主要治疗方式的放射治疗而言更是如此。传统上，使用钆类显影剂（GBCA）增强影像的磁力共振，一直是勾画肿瘤边界的黄金标准。但使用钆类显影剂存潜在风险，因此有必要寻求更安全的成像替代方案。
钆能够增强内部结构的能见度，这一点对鼻咽癌尤其重要，因为肿瘤具有高度渗透性，需要依赖精确的影像，才能区分癌细胞与周围的健康组织。然而，钆也带来重大的健康风险，例如肾源性系统性纤维化，这是一种与钆暴露相关的严重疾病，会导致皮肤、关节与内脏器官纤维化，引发剧烈疼痛和残疾。此外，最近的研究显示，钆可能在大脑中积聚，令人担忧其潜在的长期影响。
理大医疗科技及信息学系主任及教授蔡璟教授，一直致力探索摒弃钆类显影剂的方法，并积极推动应用深度学习于磁力共振的虚拟显影强化（VCE）上。蔡教授与研究团队在2022年刊登于《国际放射肿瘤学．生物学．物理学杂志》（International Journal of Radiation Oncology, Biology, Physics）的论文中，发表了多模态引导协同神经网络（MMgSN-Net）的开发成果。2024年，他进一步开发出一种基于生成对抗网络（GAN）的像素梯度模型（Pixelwise Gradient Model），可用于虚拟对比度强化（PGMGVCE）。该模型已发表于《癌症》(Cancers) 期刊。
多模态引导协同神经网络在从无显影扫描合成虚拟对比度强化的T1加权磁力共振影像方面，取得了突破性进展。该系统能够利用T1加权和T2加权影像的互补信息，生成高质素的合成影像。其架构包含多模态学习模块、协同引导系统、自注意力模块、多层次模块及鉴别器，共同优化特征提取和影像合成。此系统能够从每个输入模态中，解析与肿瘤相关的成像特征，有效克服单模态合成的限制。
协同引导系统在融合T1和T2加权影像信息方面扮演关键角色，能够增强网络撷取互补特征的能力。此外，自注意力模块有助维持大型解剖结构的形态，这对准确描绘鼻咽癌的复杂解剖结构而言特别重要。
虚拟对比度强化模型建基于多模态引导协同神经网络，为磁力共振引入了新颖的虚拟显影强化方法。该模型结合像素梯度法与深度学习架构生成对抗网络，以强化合成影像的纹理及细节表现。
生成对抗网络由两个部分组成：负责合成影像的生成器，及评估其真实性的鉴别器。生成器与鉴别器协同运作，并根据鉴别器的回馈改善输出结果。
在该模型中，最初应用于影像配准的像素梯度法，擅长捕捉组织的几何结构，而生成对抗网络则可确保合成影像，在视觉上与真实的强化扫描影像无异。虚拟对比度强化模型架构可整合，并优先处理T1和T2加权影像的特征，藉由两者的互补优势，产生高保真度的虚拟显影强化E影像。
在对比研究中，虚拟对比度强化在平均绝对误差 （MAE）、均方误差（MSE）和结构相似性指数（SSIM）方面上的准确度，与多模态引导协同神经网络相近。然而，其纹理映像方面表现更为出色，与显影强化影像的真实纹理非常接近；相比之下，使用多模态引导协同神经网络所产生的纹理更显平滑。
此外，改善后的数值指针，例如平均强度总均方差 (TMSVPMI) 与平均强度Tenengrad函数 (TFPMI)，就显示了纹理复制变得更加逼真。虚拟对比度强化能够捕捉复杂的细节和纹理，也显示出在某些方面比多模态引导协同神经网络更为出色，特别是在复制显影T1加权影像真实纹理的表现。
在微调虚拟对比度强化模型时，需要探索各项超参数设定和归一方法，以优化其性能。研究发现，当像素梯度损失与生成对抗网络损失的比例为1:1时，能有效平衡模型的形状和纹理捕捉能力，达致最佳效果。此外，研究还测试了不同的归一化技术，例如 z分数、Sigmoid与Tanh方法，以增强模型的学习与概括归纳能力。结果显示，Sigmoid归一法最为有效，在MAE和MSE方面略胜其他方法。
研究的另一面向，为评估虚拟对比度强化模型，在使用单一模态（T1-w或T2-w影像）进行训练时的表现。结果显示，相较单独使用任何一种模态，同时使用两种模态能够提供更全面的解剖结构映像，改善显影强化效果。这项发现凸显整合多种影像模态，以捕捉更完整解剖与病理信息的重要性。
这些研究发现对鼻咽癌磁力共振技术的未来发展具重大意义。这些模型可减少对钆类显影剂的依赖，提供更安全的替代方案，特别惠及对显影剂过敏或具风险的患者。此外，虚拟对比度强化所实现的强化纹理映像，可以提高诊断的准确度，帮助临床医生更有效地识别及判别肿瘤。
未来的研究应着重于扩展这些模型的训练数据集，并整合更多磁力共振模式，以进一步增强其在不同临床环境中的诊断能力与通用性。随着相关技术持续演进，有望彻底改变医学影像的发展方向，为癌症诊断和治疗计划提供更安全有效的工具。
参考数据： Innovation Digest Issue 3
