2018 巴黎國際醫學磁共振學會第 26 屆年度大會（ISMRM 26 in Paris）

與會博士生　林嵩翰

與會碩士生　王士銘／聯合撰文

由國際醫學磁振學會 (ISMRM) 所主辦的第26屆年度大會，假法國巴黎國際會議中心舉行，參與者來自世界超過55 個國家，超過7000 人次註冊（不含現場與單日與會人員），共收錄超過 5500 篇的論文摘發表，是為磁共振醫學研究領域中最盛大的一場年度會議。與純粹的基礎磁共振研究相比，ISMRM 所舉辦之年會除有基礎波序 (Pluse sequence) 開發外，更重視於醫學領域中的臨床實用價值與結合。與會人員除了來自各研究中心的研究人員、大專院校中的教授及學生外，更有來自醫院中工作的放射學專科醫生，以及磁共振造影的專業操作醫事人員，能結合基礎研究與臨床應用的需求。

本次大會共有六天，依照其性質可以分割成為兩大部分，前兩天的議程為教育課程，緊接的後面四天為新研究成果發表正式議程。結束兩天的教育課程後，正式會議的議程從第二天的傍晚的年會重要演講：Mansfield Lecture展開，每年的Mansfield Lecture演講會揭露在磁振造影領域中當年度最重要的研究議題，今年由在新生兒大腦發展磁共振造影領域的大師，Petra Huppi，分享關於在嬰幼兒磁共振造影的發明歷程與最新進展。正式會議期間，每日上午10:45至12:15都是大會安排最重要的研究議題演講，在這段時間內，所有平行的子會議都會暫停，以鼓勵所有的與會者都能夠參與到最重要的議程內容，稱為 Plenary Session。以下將逐一介紹每日研討會主軸，以及此趟於教育課程、正式會議、Plenary Session之所見所聞與心得。

每日會議主軸

第一天的主題在談論的是心臟MRI 的發展，由專攻心臟MRI 的Raymond Y. Kwong醫生主講，MRI 在心臟上的成像從過去幾年面臨位移假影、可成像時間間隔極短等等因為必須要在持續跳動的狀態下成像的問題。在逐一被克服後，轉而與近兩年被熱列討論的人工智慧深度學習結合，可以協助醫生對心肌組織上的病變或是因為缺氧而產生的結痂處進行正確辨認。進一步對於病患的心臟疾病狀態進行預測。在現行的臨床檢查中，大多需要借助顯影劑來呈現，最新的影像處理技術以及成像脈衝波序顯示，T1 rho 對比在沒有顯影劑下同樣也能夠有良好性能。接續影像辨識的話題，由Sergio Uribe 博士所講，談到心臟衰竭的在實務診斷上因為血壓測量常有不小的波動導致難以得到可信的數據，現行的做法多使用心臟的射血分數（Ejection fraction ，EF）做為判定指標。結合深度學習技術後，可以在動態成像中引導儀器的對位，顯著改善造影的品質。除此之外，未來的心臟成像會像現行的大腦造影一般，朝向Multiparametric mapping發展，用意在於透過多種影像對比，進行非侵入性的心臟疾病診斷。

第二天的主題談論的是影像重建與取得的基礎科學問題，還有在新生兒上的磁振造影。在這兩小時的馬拉松式演講中，首先登場的是 NIBIB 講堂，這是一個名為嶄新地平線講堂，用意在提起磁振造影領域中一個剛萌芽卻是重要議題的研究方向。講者為在壓縮感知成像的創始權威 Michael Lustig，透過 Miki 幽默風趣的口吻以及令人期待的標題： When Fast Is Not Fast Enough: The Challenging Path Towards Pediatric MRI Without Anesthesia。確實，在新生兒的磁振造影中，由於新生兒無法自我控制，因此在沒有麻醉的條件下難以維持造影對象的平靜，所以When Fast Is Not Fast Enough，一題下得恰到好處。現階段，以嬰兒為主設計的造影儀目前並不普及，Michael 在八年前成立了一個跨校的研究團隊（Stanford 大學, GE 與 UC Berkerly) ，目的在利用各種前端技術，一方面減少掃描的流程，縮短時間，減少噪音，最終目標希望可以像電腦斷層一樣快速，但是不存在電腦斷層掃描的輻射劑量。在線圈的改進上，可穿戴式的線圈可以解決現行固定式線圈不舒適，容易造成壓迫感，同時在轉角處產生假影的問題。目前GE已經推出可橈式的印刷線圈，可以在各種不同體型的孩童中使用。不僅如此，可穿戴式的線圈搭配無線控制傳輸，省去佈線的困難。在影像的加速成向上，使用壓縮感知進行成像取樣的加速，還可以可饒式線圈可能存在影像品質較差的缺點可以進行補償。結合這些技術，初步在心臟磁振造影可以做到在一天的新生兒上成功的造影，完全不需要麻醉。但是仍存在以下問題待解決，包含噪音，重建速度過慢，太依賴人工操作，對於新生兒來說，掃描速度還是不夠快，在新生兒的磁振造影雖然已有一線曙光，但仍有許多挑戰等待解決。在 Michael Lustig 激勵人心的演講後，緊接著是一小時關於影像採集、重建以及後處理的最新研究。首先，由Bram van Ginneken教授所講關於影像的解讀，影像的採集與產生可以透過電腦的演算，然而對於該影像的解讀與認識則需要透過經專業訓練的人員才能的的到有意義的解釋。在電腦的協助上，Bram van Ginneken教授發表了一個新的深度學習演算程式: NeuroNet，在影像的後處理與校正方面，相較於現有的程式可以容忍更大的影像誤差，校正後的準確度也更高。後續兩位Mariya Doneva教授與Mariya Doneva教授也在影像的重建上，提出一些對於現有演算方式的質疑，目的在於提起聽眾一起反思更好更能夠反映現實的新算法。

第三天的主題則與前兩天大相徑庭，前兩天提到的都是最前端的技術，目的在於在現有的影像解析度上更加突破或是加速成像。今天的主題則在於如何將磁振造影的技術更加滲透到世界各地，主要希望可以推廣到開發中國家。結合現有的前端技術，達到使用更低的成本及可以產生與現行已開發國家醫院中常規檢查中接近的影像品質。首先由Steven J. Schiff 教授所講的Sustainable Low-field MRI for Point of Care Diagnostics。在他的研究中，希望尋找一個低成本且可以容易使用的MRI，就算磁場強度不高也可以行。尤其是在開發中國家，因為在Schiff 教授的所研究的Hydrocephalus疾病中， 96%發生的國家都是開發中國家，對於這疾病的治療需要的其實只是要在影像中看到因為疾病發生水腫的位置就可以，甚至不需要看到大腦的明確對比。這時候需要的只是簡單的磁振造影的影像就可以解決，但是相對於磁振造影，超音波與電腦斷層影像都無法得到清晰的影像對比，因此低成本的磁振造影便顯得重要也必要。結合深度學習在影像重建上的能力，對於影像解析度提升的效能同樣可以應用在低磁場強度磁振造影儀上。可以使用更低的成本得到與先進儀器接近的影像品質。下一場由dwin J.R. van Beek 教授所講的同樣也是希望將磁振造影這項醫學影像上極強的工具推廣到世界更多地方，不讓磁振造影僅僅是先進國家高端檢查的專利。因此，讓磁振造影＝可以服務到開發中國家（例如：非洲），高磁場強度的機器在這些國家並不實用，反而是低磁場強度，可移動的儀器則更具實用性。與先進國家的需求雖然不完全相同，但是相通的都是追求更短的掃描時間。本日Plenary session 最後一講是主席演講，其主題完全跳脫前面所提到的方向，但同樣是放諸四海皆準的重要議題：磁振造影研究領域中的性別平等。由來自挪威的Curt Rice 教授所講。主要在討論女性在這個工作職場中已經證明其研究能量與男性是不相上下的，但在現實環境中卻受到比男性多的升職阻力，這些現實是我們每天所面臨但卻沒有去正視的問題。

第四天的講題又回到了高端市場，談到的是不同於現行常規檢查用的磁振造影儀器，使用更高磁場強度的儀器，可以帶來的好處，包含有更高的影像解析度，得到更多的生理結構細節。但同樣可能付出得到更多假影的代價，然而更高磁場強度仍然是重要的趨勢，畢竟我們對於影像品質的渴求是不會停止的。

教育課程

　　多個同時進行的平行課程，與會者可自行挑選有興趣的主題加入。主題從最基礎的磁振造影成像原理，到 MRI系統工程，到深度學習對疾病的診斷應用。最後還包含了在科學研究中最重要的：統計的原理與應用。前面兩天全部都為教育課程，而在之後四天的主要會議中，每日上午的七點到八點也安排了教育課程，內容也銜接了前面的主題，教育課程對我這種剛來到新人來說，是很大的幫助，每個主題都使我躍躍欲試，以下我挑選了兩項分別與我研究最相關的擴散磁振造影主題及統計原理進行介紹：

擴散磁振造影

一開始由 Sune Jespersen 演講關於基礎的擴散磁振學介紹，講述了基礎的物理學，介紹最常使用的概念模型和研究工具；再來 Robert Frost介紹了經常使用的成像方式，單次回波平面成像，之後陸續開發了其他序列，其目的是增加全腦擴散數據的空間分辨率，但它們的設計受到若干因素的影響，包括影像假影，SNR 大小，和每個影像的掃描時間。並使用常見的擴散序列作為範例討論和說明這些問題。最讓我感興趣的是 Thijs Dhollander 所介紹的全腦神經追蹤重建技術，在重建神經纖維的過程中常常遇到一個問題，當在交叉纖維的區域，重建變得困難，如果使用概率性的纖維追蹤能夠較好解決此問題，但概率算法通常被認為不易出現假陰性，但可能更容易產生大量假陽性流線。數據顯示，即使是最先進的纖維束成像算法仍然會產生驚人數量的假陽性束，如何去定奪參數是一個重要的課題，纖維束追蹤最常見用於重建已知的白質結構，這可以用於感興趣區域的分析，已知的應用還包括手術前規劃。

統計分析方法

統計是所有科學和臨床研究的基礎。Jennifer Keegan 演講介紹了如何影像學研究的統計方法。此課程將重點介紹了常用數據分析方法，包括單讀者和多讀者 ROC 分析以及定量成像生物標記物的方法，並提供案例研究說明何時適用。該課程還涵蓋設計研究的核心概念，包括最小化偏差的常見方法，如何提高研究效率以及如何考慮樣本數量。

影像自動化分割技術

由來自 Johns Hopkins 大學的 Susumu Mori 教授帶來的影像自動化分割技術，深入淺出地解釋了影像分割的基本概念。首先討論組織分割在現代醫學數據分析中的重要性，其中困難的神經系統疾病通常是研究的目標。然後解釋不同類型的分割方法。在最後一節中，詳細討論了組織分割的一個有趣的悖論，即缺乏基本事實。大腦MRI的影像分割是一個古老的研究課題，簡單搜尋PubMed 「大腦」，「MRI」，「分割」，「演算法」可以得到超過1800多篇的發表。現行有許多工具可以自動定義感興趣的結構。然而，細結的分割仍然是一項極其困難的技術。這部分是由於開發分割能力極強的演算法對於運算能力的需求極高。然而，尚未得到充分討論的是更基本的問題，例如：「什麼是細分？」以及「為什麼我們需要它？」。在大數據和精準醫學的時代，奠基在分割的圖像分析將變得越來越重要，其中每個患者帶來豐富的醫療數據並且每個測量領域的數據減少是必不可少的。

＊

正式會議

期間從六月十八日開始直到六月二十一日，為期四天，以下摘要數個研究主題的最新發展。

Segmentation & Parcellation in the Brain

1)大多數自動化 MRI 組織分割技術需要全腦圖集，手動描繪非常耗時。這抑制了在分割期間互補結構序列的利用，因為大多數的地圖集不是很精準。Lee Reid 展示了一種使用基於補丁自組織映射(self-organising maps)降低分割計算複雜性的方法。這克服了對僅匹配補丁的本地搜索的需要，並且反過來需要完整的地圖集。我們證明了這種技術能夠使用小於 2％的圖集完成目標影像的無註冊組織分割。該技術可以照原樣使用，或者為其他技術快速生成全新的全腦地圖集。

2)基於體積的形態測量法是用於研究神經退行性疾病中腦結構變化常使用的工具，可以使用各種軟體施行。現今 MRI 影像成為診斷疾病和疾病進展監測不可或缺的工具，但是關於這些工具的可靠性和穩健性，必須謹慎的審視。Ariane Fillmer 透過計算的皮質下體積來檢查 CAT 12 和 FreeSurfer 的準確性。使用 MATLAB 中的從高分辨率 MIDA 體素模型構建模擬 MRI 數據集。通過對適當的體素求和來計算真實組織體積，在不同的 SNR 和零填充下，CAT12 中計算的體積比 FreeSurfer 的體積更穩健，更接近事實。然而，這些結果需要在未來的工作中加以證實。

Deep Learning

機器學習在資訊工程領域已經發展多年，近年更廣泛被運用在網路搜尋引擎，影像辨識等等的生活領域中，也大幅度地增進生活的便利與趣味。近兩年由於磁共振的影像開始大量的在臨床檢查中被累積，加上雲端儲存與運算的逐漸風行。大量的影像數據逐漸形成巨大的資料庫，因此成為機器學習與深度學習可以發揮的機會。相較於2017年在夏威夷的年會，機器學習的主題雖然被廣泛的討論，大家在言談間都對該技術寄與厚望，但實際上大會在議程的安排上僅有五個以機器學習或是深度學習為主題的議程（包含有一個主要的秘密會議，一個海報發表，以及三個口頭演講發表），共約15篇的相關論文被選入。今年則大幅度的擴張與機器學習相關的主題，超過15個會議時段散佈在教育課程與正式研究發表時段中，幾乎每天的議程都可以看到二至三個時段在談論深度學習，邀請深度學習相關的研究在最重要的 Plenary session 發表；不僅如此，造影儀器供應商的發表主題也都圍繞著人工智慧做開發。

　　在此，可以發現一個有趣趨勢是：深度學習相關的研究發表不僅可以在標示著深度學習的場次中聽到，可以發現深度學習的應用進入到不同的研究領域的影像分析中，例如由Daniel Rueckert 所講的心臟磁振影像，先介紹機器學習的基礎架構。其中提到一個重要的議題：訓練模型用的數據。但是，這部分的資料很珍貴也所費不貲，而且不完全是完美的。因此，驗證絕對是重要的挑戰，在得到模型後，推廣到臨床的應用與基礎理論的結合等等的橫向連結同樣需要被重視。相較於去年與會人員對於深度學習最多的問題是：「要如何開始？有沒有什麼方法是可以快速入門？」，今年有更多人已經踏入深度學習的研究，最多人問到的問題轉變成：「要如何知道我所訓練的模型是正確的，可信的？」，因此，可以從各個會場中與會人數可以明顯地看到，僅發表應用深度學習所得到影像重建或是切割的場次會少於有談論到模型數據的驗證場次。此外，由於深度學習的神經網路架構複雜，在有限的發表時間中，通常不會談論到該網路架構的細節與如何搭建，因此常給人有深度學習像是一黑盒子難以摸透的錯覺。在會議倒數第二天下午，一場主題為Machine Learning for Magnetic Resonance in Medicine 的議程，吸引了超過兩百位的聽眾，擠滿小小的討論室，關鍵在於在這個結合教育課程與研究發表的議程中，談論到訓練模型時，可能會發生的錯誤與數據驗證問題。足見驗證問題逐漸成為在深度學習應用後最重要的議題之一。

由於深度學習的模型建構，倚賴大量的數據來產生可普遍性通用的模型，跨中心的資料整合進行機器學習成為多數人選擇的方向，但進而進行分類時候可能發生的陷阱，其問題為：來自不同地方的影像到底會有多少的 site-effect？首先測試不同性別的區別能力，發現演算法會受到不同來源的影像非常大。因此，需要減少模型收入的features，最後發現，只要10個features 就可以得到90%的正確率。

而另外一個亮點則是磁振造影指紋 (MR Fingerprinting)，使用特殊的波序採集訊號後，藉由深度學習的運算重建，可以單一次的激發中得到數種不同影像對比。在以往傳統的磁振造影中，單一次激發僅僅可以得到一種影像模式，若要取得不同影像模式，則需要耗費數倍時間進行採樣。

深度學習作為近年來最熱門的話題，在 MRI 領域同樣也引起了很多關注。最近，深度學習在影像採集和重建方面取得了成功，它已經證明了與現有方法相比具有獨特的優勢。課程講述了如何使用深度學習從獲取的 k 空間數據執行影像重建，其主要優點在於利用深度學習進行影像重建對於採樣參數、採樣不足和訓練數據集的類型相對不敏感，重建時間非常短；但同時，仍有其侷限的地方：深度學習眾所周知，需要大量的訓練數據，同時，它尚未對影像重建的分析方法提供根本性的改進。

另摘要課程中新獲取之重要概念：

1)3D 錐體軌跡具有比 3D 笛卡爾軌跡更具掃描時間效率的靈活性，尤其在於長讀出時間掃描。然而，長讀出時間會因共振而模糊，從而限制了它的效率。David Zeng 提出卷積殘差神經網絡來校正非共振假影，以減少掃描時間。並做了 15 項測試，結果表明，深度學習方法產生的影像不亞於短讀出影像，同時掃描時間縮短 2.4 倍。且用簡單的架構演示了深度學習可以有效地模擬和校正非共振模糊。透過更長的訓練，和使用更先進的架構，可以進一步提高性能。

2)Gibbs –Ringing 假影是因高頻數據的不充分採樣引起的。現有方法通常利用平滑約束來減少高對比度邊界附近的強度振盪，但是代價為細節變得模糊。Qianqian Zhang 提出了一種卷積神經網絡（CNN）方法，該方法將具有 Gibbs –Ringing 假影影像映射到它們的無 Gibbs –Ringing 假影之影像，用於將 MRI 中的 Gibbs –Ringing 假影去除。實驗結果表明，該方法可以有效地去除 Gibbs –Ringing而不會引起明顯的模糊，且通過此方法顯著改善平均擴散率（MD）影像。

3)當前基於深度學習的影像恢復框架通常依賴於大型網絡來反轉 k 空間數據，這需要相當多的訓練數據和計算能力。而且，除了嚴重依賴於特定的採集參數之外，他們不容易利用可校準數據或其他來源獲得的先前信息。Hemant Kumar Aggarwal 研究的 MoDL 框架主要重點是結合了深度學習與經典的基於模型的重建框架的優點。這種協同組合有助於結合校準數據中可用的先驗，可以顯著減少訓練時間和所需的訓練數據量，還便於在不同的採集參數設置下使用相同的網絡。

　　到目前為止深度學習展示了它高度的潛力在 MRI 影像上，不管是影像重建、診斷分類、影像的感興趣區域分割，都得到了一般機器學習達不到的成果，為磁振造影領域打開了新的視野，相信在未來其應用的範圍會更加的廣泛。

＊

Plenary Session

Sergio Uribe Arancibia ／心血管磁振造影：

心臟的磁振造影一直是一個熱門的領域， CMR(Cardiac magnetic resonance)成像一直受限於於心臟的跳動，而受惠於硬體與軟體的進步，他們使用了 real time free breathing acquisition，來獲得動態且即時的心臟影像，並且透過量化心室心房體積求得心血管功能。

Michael Lustig ／MRI 應用在兒科診斷：

MRI 非常適合兒科診斷，具有極好的對比度，相對於電腦斷層掃描，MRI 不具有輻射。然而，MRI 對兒童主要受限於兒童的移動，導致運動偽影，通常需要麻醉伴而伴隨著風險。此演講回顧了他們通過開發專用的兒童接收器，快速壓縮感應和平形成像技術有助於加速檢查，所有這些都降低了麻醉的使用、劑量和持續時間。 Clare Tempany-Afdhal 在前列腺診斷的演講也令人印象深刻，前列腺的 MRI 成像已在臨床實踐中進行了 30 多年。近年來前列腺用 MRI 診斷的比例增長非常顯著（2017 年增加了 22％）。20 多年來， MRI 診斷前列腺癌已成為臨床中的一種選擇。在過去的 30 年中，多種技術已經融合在一起，改變了前列腺癌的診斷，現在世界各地都迅速的採用這個令人興奮的方法。今年的上半年，一項多中心隨機對照試驗，對比於 TRUS 引導的前列腺活檢，診斷精確度試驗到達了很高的水準。

＊

小結

在參與會議的過程中，見識到了在 MRI 的領域，知識是如此的蓬勃發展，有需多新的演算法、應用，都是以前沒有接觸過的，在專注在自己領域的同時，其他的領域也在迅速的發展，於是努力地讓自己能夠參與每一次年會是非常重要的，參與年會可以在短時間內讓平時僅僅專注在自身研究領域的我們，有機會快速了解磁振造影領域研究的整體最新發展，讓我們不至於從潮流中脫節，成為井底之蛙，對於初入磁振造影研究領域的新人而言，是一次極佳的機會可以認識 MRI 的世界。經過這次為期一週的會議後，了解到 MRI 有著非常好的前景，在MRI 各個領域對於人才的需求都是急切的。在會議中有幸遇見了來自世界各地的研究者，發覺到各個領域在 MRI 的進展都十分快速，自己在這個領域有多麼渺小，聆聽了很多不同技術的演講，雖然對於身為學生的我們而言，部分內容仍較為難懂，但會議結束之後，可以利用線上系統影音備分複習沒有聽懂的部分，十分感謝大對於提攜後進和傳遞知識的體貼及用心。