突破MRS代谢物量化瓶颈！QNet：深度学习+线性最小二乘的智能解决方案

磁共振波谱（Magnetic Resonance Spectroscopy, MRS）作为无创检测活体组织生化代谢物的“分子探针”，在脑肿瘤、神经退行性疾病（如阿尔茨海默病）、肝脏代谢异常等疾病的诊断与疗效随访中具有不可替代的临床价值。然而，质子MRS（¹H-MRS）的代谢物量化却长期受三大难题困扰：代谢物信号严重重叠（临床3T扫描仪磁场强度有限，谱峰拥挤）、采集缺陷干扰（相位偏移、频率偏移、线宽偏差、生理运动等非理想条件）、大分子背景信号干扰（占背景信号主要成分，掩盖弱代谢物信号）。

传统主流量化方法如LCModel，虽通过设计基组、缺陷因子等经验先验，采用非线性最小二乘求解，但在低信噪比（SNR）下误差显著增大；近年兴起的端到端深度学习方法，虽能处理低SNR数据，却因完全依赖训练数据，对训练外的代谢物浓度泛化性差。针对这些痛点，厦门大学屈小波教授团队提出了创新的MRS量化网络QNet，将深度学习的非线性学习能力与线性最小二乘（LLS）的解析求解优势结合，实现更精准、稳定且泛化性强的代谢物量化。相关成果发表于《IEEE Transactions on Biomedical Engineering》（2024年6月，Vol.71, No.6）。

一、QNet：核心设计理念与整体框架

QNet的核心创新在于“拆分难题+协同优化”：先用深度学习模块分别预测采集缺陷因子（Imperfection Factors, IFs）和大分子（Macromolecules, MMs）背景信号，将复杂的非线性量化问题简化为线性问题；再通过LLS解析求解代谢物浓度，且LLS全程参与网络反向传播，将量化误差反馈至代谢物波谱估计，大幅提升泛化性。

QNet的完整流程可通过图1理解（覆盖从数据合成到浓度估计的全链路），具体拆解如下：

图1 技术流程

1. 光谱合成：物理驱动的训练数据生成（图1(a)）

基于量子力学指数模型（QMEM）生成符合真实物理规律的模拟MRS信号，公式为：

$\hat{y}(n\Delta t)={\sum }_{k=1}^K{c}_k{h}_k(m_k(n\Delta t)|{\theta }_k)+b(n\Delta t)+\epsilon (n\Delta t)$
其中：

• $c_k$ ：第k种代谢物浓度；
• $h_k$ ：经缺陷因子 ${\theta }_k$ （含相位偏移 $\Delta \phi$ 、频率偏移 $\Delta f_k$ 、线宽偏差 $\Delta d$ ）调制后的代谢物信号；
• $b$ ：大分子背景信号；
• $\epsilon$ ：复高斯噪声（模拟临床扫描噪声）。
  这一步是为了生成大规模、高保真的训练数据，解决真实MRS数据“难以获取代谢物真实浓度标签”的问题。

2. 深度学习双模块：拆解核心干扰（图1(b)）

输入为检测波谱的实部 $y_{real}$ ，两个并行模块分别处理“采集缺陷”和“大分子干扰”：

（1）缺陷因子提取模块

• 结构：3个堆叠卷积块（SCB）+ 2个全连接层（FCL）。每个SCB含2个卷积层，滤波器数量依次为16、32、64（核大小3×1，确保光谱时序特征提取），卷积后经ReLU激活函数（引入非线性）和最大池化（降维并保留关键特征）；最终输出3个缺陷因子： $\Delta \hat{\phi },\Delta \hat{f},\Delta \hat{d}$ ，公式为：
  N e x t r a c t i o n ( y r e a l ∣ Θ e x t r a c t i o n ) = { Δ φ ^ , Δ f ^ , Δ d ^ } \mathcal{N}_{extraction}\left(y_{real} | \Theta_{extraction}\right)=\{\Delta \hat{\varphi}, \Delta \hat{f}, \Delta \hat{d}\} Nextraction​(yreal​∣Θextraction​)={Δφ^​,Δf^​,Δd^}
  其中 ${\Theta }_{extraction}$ 为模块可训练参数。

（2）大分子信号预测模块

• 结构：6个SCB + 2个FCL。SCB滤波器数量依次为16、32、64、128、256（核大小3×1，适配大分子信号的宽谱特征），同样经ReLU激活和最大池化；最终输出与输入光谱长度一致的大分子信号 $\hat{b}$ （512×1向量），公式为：
  ${\mathcal{N}}_{prediction}\left(y_{real}|{\Theta }_{prediction}\right)=\hat{b}$
  其中 ${\Theta }_{prediction}$ 为模块可训练参数。

3. LLS浓度估计：解析求解+误差反馈（图1©）

这是QNet与传统端到端深度学习的核心差异——LLS并非独立工具，而是深度网络的“优化闭环组件”，具体步骤：

1. 基组修正：用预测的缺陷因子调制代谢物基组 $M$ ，得到修正基组 $M^{\prime }=h(M,\Delta \hat{\phi },\Delta \hat{f},\Delta \hat{d})$ （消除采集缺陷对基组的影响）；
2. 背景扣除：从检测光谱中减去预测的大分子信号，得到“纯净代谢物信号”： $y_{real}-\hat{b}$ ；
3. 解析求解浓度：通过LLS求解代谢物浓度 $\hat{c}$
4. 误差反馈：LLS计算的浓度误差会通过反向传播更新深度学习双模块的参数，实现“量化误差→光谱估计优化”的闭环，大幅提升泛化性。

4. 光谱拟合与损失函数（图1(d)）

最终输出调制后的基组 $\hat{M}=M^{\prime }\odot \hat{C}$ （ $\odot$ 为哈达玛积， $\hat{C}$ 为浓度矩阵），与检测光谱对比实现拟合。损失函数平衡“光谱拟合误差”与“大分子信号预测误差”：

$$Loss(\Theta )=\frac{1}{K}\Vert \hat{M}-M^{label}{\Vert }_F^2+\alpha \Vert \hat{b}-b^{label}{\Vert }_F^2$$
其中 $|\cdot {|}_F$ 为弗罗贝尼乌斯范数（衡量矩阵差异）， $\alpha$ 为平衡系数， $\Theta ={\Theta }_{extraction},{\Theta }_{prediction}$ 为全局网络参数。

二、数据准备：从物理模拟到临床验证

为确保QNet的泛化性与临床适用性，研究设计“模拟数据训练+在体数据验证”的方案，具体参数如下：

1. 模拟数据：大规模物理驱动训练集

模拟数据需覆盖临床常见的代谢物浓度、缺陷因子与噪声水平，确保训练充分：

• 代谢物设置：17种常见脑代谢物，浓度范围参考临床文献（如NAA 7.5-17 mM、Glu 6.0-12.5 mM、Cr 4.5-10.5 mM、GSH 1.5-3.0 mM等）；
• 大分子信号：17个高斯函数合成（模拟真实大分子宽谱特征），每个高斯函数的化学位移、振幅、线宽参考文献，振幅/线宽分别随机波动±10%/±20%，大分子与代谢物信号强度比为0.15:1（波动±25%）；
• 缺陷因子范围：相位偏移[-5.00,5.00]°、频率偏移[-0.08,0.08]ppm、线宽偏差[0.04,0.12]ppm（覆盖临床3T扫描仪的典型误差）；
• SNR范围：[3,80]（对应临床8-128次信号平均的SNR水平），SNR定义为NAA甲基峰（~2.0ppm）振幅与8.0-10.0ppm噪声标准差的比值；
• 数据量与预处理：60000组训练数据、700组测试数据，均进行振幅归一化并裁剪为0.2-4.0ppm范围内的512个数据点（聚焦代谢物集中的谱段）。

2. 在体数据：临床场景真实性验证

在体数据用于验证QNet的临床实用性，扫描方案严格遵循临床标准：

• 设备与序列：Philips 3T磁共振扫描仪，32通道头线圈；快速自旋回波序列获取T1加权像（用于体素定位），点分辨波谱序列（PRESS）采集MRS数据（含水抑制模块，避免水信号掩盖代谢物）；
• 关键参数：TR=2000ms、TE=35ms（短TE减少代谢物信号衰减），体素大小20×20×20mm³（平衡空间分辨率与信噪比），数据点2048，光谱带宽2000Hz，信号平均次数（NSA）=128；
• 研究对象：20名健康志愿者，脑区覆盖前额叶（15例）、顶叶（1例）、枕叶（1例）、扣带回（3例）（覆盖常见临床感兴趣区）；
• 伦理审批：经厦门大学伦理委员会批准（审批号XDYX202206K11），符合医学研究伦理规范。

三、核心结果：QNet vs 传统方法，优势何在？

研究从“准确性”“稳定性”“泛化性”三个维度，将QNet与主流方法（LCModel、端到端深度学习）对比，结果均显示QNet的显著优势。

1. 模拟数据：低SNR下仍保持高准确性

（1）视觉拟合对比（图2）

• 高SNR（71.8）：QNet与LCModel均实现精准拟合，残差小；但QNet的残差更接近纯噪声水平（波动范围±0.1），而LCModel残差在弱信号区域（如GSH对应谱段）有明显偏差；
• 低SNR（20.0）：两者残差均增大，但QNet仍能捕捉tNAA、tCr、tCho等主要代谢物的信号峰形，而LCModel对GSH、Glx等弱信号代谢物的拟合已严重偏离真实谱形。
  

图2 不同SNR条件下拟合效果对比

（2）定量误差对比（图3、MAPE指标）

MAPE（平均绝对百分比误差）越低，量化越准确。结果显示：

• 对多数代谢物（除Ala、Asp、Lac、GABA等极低浓度者），QNet的MAPE显著低于LCModel；
• 对LCModel误差极大的代谢物（如NAAG、GPC、PCh），QNet的MAPE从近100%降至30%以下，解决传统方法“弱信号难量化”的痛点；
• 随SNR降低（从80降至3），LCModel的MAPE增幅（如tNAA从5%升至40%）远大于QNet（tNAA从3%升至15%），证明QNet对噪声的鲁棒性更强。
  

图3 不同代谢物在不同SNR状态下的定量误差MAPE

2. 在体数据：与LCModel高度一致，且更稳定

（1）高SNR下的一致性（图4）

• 视觉拟合：前额叶高SNR（NSA=128）数据中，QNet与LCModel的整体拟合曲线、各代谢物组分（tNAA、tCr、tCho、Glx、mI、GSH）拟合结果视觉高度一致，残差均小于0.1；
• Bland-Altman分析：20例在体数据中，95%（tNAA、tCho）或90%（mI、GSH）的数据点落在95%一致性界限内（均值±1.96SD），且tNAA、tCho的Pearson相关系数分别为0.90、0.95（强线性一致性）；Glx相关系数较低（0.18），推测因Glx信号与其他代谢物重叠更严重，QNet的分离策略与LCModel存在差异。
  

图4 与LCModel拟合效果对比

（2）浓度分布合理性（图5）

对比临床正常脑代谢物浓度范围：

• tNAA、mI、Glx：两者均在正常范围内，无显著偏差；
• tCho：少数数据超出上限（QNet 3例，LCModel 4例），表现相近；
• GSH：LCModel 15例结果超出正常上限，而QNet仅4例，证明QNet对“易受大分子背景干扰的代谢物”量化更准确。
  

图5 拟合结果符合临床正常脑代谢物浓度范围

（3）不同SNR下的稳定性（图6）

NSA（信号平均次数）越少，SNR越低，通过SD（标准差）评估稳定性（SD越小越稳定）：

• 对所有5种主要代谢物（tNAA、mI、Glx、tCho、GSH），QNet的SD均小于LCModel；
• 差异最显著的是Glx：QNet的SD=2.33，而LCModel的SD=22.63（相差近10倍）；GSH的SD差异达3-5倍；
• 20例在体数据中，QNet在tNAA、mI、Glx、tCho、GSH上分别有16/20、17/20、20/20、19/20、17/20的案例SD更小，证明稳定性具有普适性。
  

图6 不同SNR下的稳定性，高于LCModel

3. 与其他深度学习方法对比：泛化性更优

（1）vs 端到端深度学习

端到端方法的核心问题是“训练外浓度泛化差”。研究模拟肿瘤脑的异常代谢物浓度（tNAA降至0.5-2.0mM、tCho升至5.0-12.0mM、tCr降至0.5-3.0mM）：

• 端到端QNet的MAPE极显著升高（tNAA>516.6、tCr>544.1），完全无法准确量化；
• QNet的MAPE虽高于正常浓度场景，但仍保持在合理范围（tNAA 68.3±40.6、tCr 54.1±38.4、tCho 25.4±14.2），证明LLS的引入大幅提升对“未见浓度”的泛化性。

（2）vs 现有深度学习方法

• 对比[31]的方法：QNet对9种代谢物的SMAPE（对称平均绝对百分比误差）均更低（如NAA 1.98 vs 18.95、Cr 2.98 vs 19.64）；
• 对比[18]的方法：QNet在tCho、Glx、tCr、mI上的MAPE更小（如tCr 2.41%±1.43% vs 3.66%±3.05%），仅tNAA略高（4.35%±2.76% vs 4.00%±3.38%），整体性能更优。

四、讨论：QNet的优势与待突破方向

1. QNet的关键优势

• 模块必要性：消融实验显示，去掉缺陷因子提取模块（QNet-woIF）或大分子预测模块（QNet-woMM），量化误差均超过100%，证明两个模块缺一不可；
• 线型选择：QNet采用全局洛伦兹线型（Lorentzian），而非Voigt线型（洛伦兹+高斯），因Voigt需估计的非线性参数从19个增至52个，导致稳定性下降；
• 相位容忍性：QNet可容忍[-30,30]°的相位偏移（MAPE<20），超出此范围需预处理，满足临床多数场景需求；
• 输入灵活性：输入复数光谱或仅实部，量化误差无显著差异，因深度学习模块为“任务导向的非线性映射”，对虚部不敏感。

2. 待突破的局限性

• 合成数据假设偏差：若测试数据的噪声水平、代谢物浓度范围、缺陷因子范围超出训练设定，QNet性能会下降（如强噪声下弱信号代谢物误差增大）；
• 部分代谢物量化精度不足：Ala、Asp、Lac、GABA等弱信号代谢物，或NAAG/NAA、Cr/PCr等结构相似代谢物，仍难以精准区分，需结合特异性序列（如MEGA-PRESS用于GABA检测）优化训练；
• 训练数据多样性不足：当前模拟数据基于健康人参数，需增加肿瘤、神经退行性疾病等病变数据，或通过迁移学习拓展至病理场景；
• 仅相对浓度量化：当前结果为代谢物与tCr的浓度比，依赖tCr的稳定性；临床更需绝对浓度量化，未来需结合水信号校正等方法实现。

五、结论与临床价值

QNet创新性地将深度学习的“非线性学习能力”与LLS的“解析求解优势”结合，通过双模块预测采集缺陷因子和大分子信号，简化量化问题的同时，利用LLS的反向传播反馈提升泛化性。实验证明：

• 模拟数据中，QNet对80%代谢物的量化误差低于LCModel，尤其在低SNR下优势显著；
• 在体数据中，QNet与LCModel在主要代谢物上高度一致，且随SNR降低更稳定；
• 相比端到端深度学习，QNet对训练外的异常代谢物浓度泛化性更强。

参考文献

[1] Chen D, Lin M, Liu H, et al. Magnetic Resonance Spectroscopy Quantification Aided by Deep Estimations of Imperfection Factors and Macromolecular Signal[J]. IEEE Transactions on Biomedical Engineering, 2024, 71(6): 1841-1852. https://doi.org/10.1109/TBME.2024.3354123

课题组网页

https://csrc.xmu.edu.cn/xiaobo/index_cn.html

欢迎关注

微信：Chushanzhishi2022
微信公众号：NMR凯米小屋
作者B站：楚山之石