多模态肺部成像:使用来自 CT 和超极化 ¹²⁹Xe MRI 的互补信息评估肺结构-功能

CT 和 ¹²⁹Xe MRI 提供互补的肺结构-功能信息，可用于使用图像配准进行区域分析。在这里，我们提供了一个协议，该协议基于现有文献构建，用于使用开源平台进行 ¹²⁹Xe MR 到 CT 图像配准。

超极化 ¹²⁹Xe 气体 MRI 是一种新兴的技术，用于评估和测量区域肺功能，包括肺气体分布和气体交换。不过，胸部计算机断层扫描 （CT） 仍然是肺部成像的临床金标准，部分原因是快速 CT 方案可在几秒钟内获得高分辨率图像，并且 CT 扫描仪的广泛使用。定量方法能够从胸部 CT 中提取结构性肺实质、气道和血管测量值，这些测量值已在许多临床研究中进行评估。CT 和 ¹²⁹Xe MRI 共同提供了可用于评估区域肺结构和功能的互补信息，从而对肺部健康和疾病有了新的见解。 ¹²⁹ 元可以进行 Xe MR-CT 图像配准以测量区域肺结构-功能，以更好地了解肺部疾病的病理生理学，并进行图像引导的肺部介入治疗。这里概述了一种 ¹²⁹Xe MRI-CT 配准方法，以支持在研究或临床环境中实施。还总结了迄今为止在文献中采用的配准方法和应用，并为可能进一步克服与 ¹²⁹Xe MR-CT 图像配准相关的技术挑战并促进更广泛地实施区域肺结构-功能评估的未来方向提供了建议。

近三十年前，超极化气体磁共振成像 （MRI） 首次作为一种新型功能性肺部成像方式出现，用于评估肺通气分布¹。从那时起，使用超极化气体 MRI 的研究揭示了对哮喘、慢性阻塞性肺病 （COPD） 和囊性纤维化等慢性肺病患者肺功能性质的许多见解 ^2,3,4,5,6。超极化 ³He 和 ¹²⁹Xe 气体在历史上都使用过;然而，由于 ³He 气体的可用性有限，¹²⁹Xe 现在是主要的吸入剂。¹²⁹ 元Xe 还自由扩散穿过肺泡膜，并被肺毛细血管中的红细胞吸收;在这个所谓的"溶解相"中，¹²⁹Xe 以独特的频率共振，允许在一次屏气扫描中测量区域气体交换 ^4,7,8。为了定量，通常同时获取体积匹配的解剖 ¹H MR 图像，以便与 ¹²⁹Xe 共同配准，以描绘胸腔的边界。然而，传统的 ¹H MRI 并不能提供进一步的肺结构信息。近年来，随着 2015 年英国 NHS 和美国 FDA 于 2022 年底批准，超极化 ¹²⁹Xe MRI 临床转化的动力不断增长 ^5,9，^但肺部 MRI 武器库中仍然大多缺少先进的结构表征。

胸部计算机断层扫描 （CT） 仍然是肺部临床影像学评估的主要内容，使用常规成像方案提供肺结构的三维高分辨率图像。定量方法能够快速、可重复地测量实质完整性，例如肺气肿和间质性肺异常、大气道形态和肺血管系统，以及通过识别和分割肺叶进行区域解剖学特征^10,11。在研究领域，定量 CT 已被广泛用于更好地了解结构改变及其与哮喘和 COPD 患者预后的关系，例如严重哮喘研究计划 （SARP）¹²、COPD 遗传流行病学 （COPDGene）¹³、COPD 研究中的亚群和中间结果 （SPIROMICS）¹⁴、COPD 纵向评估以确定预测替代终点 （ECLIPSE）¹⁵和加拿大阻塞性肺病队列 （CanCOLD）¹⁶。替代 CT 方法，如呼气成像^17,18 或计算模型¹⁹ 可能会获得功能信息，但这些方法是间接的，常规 CT 在其他方面不能为肺部的功能特征提供太多信息。

综上所述，CT 和 ¹²⁹Xe MRI 提供了互补的肺结构-功能信息，可用于使用图像配准进行区域分析。在 CT 上发现的肺叶允许对哮喘 20,21,22、慢性阻塞性肺病²³、²⁴、支气管扩张症 25 和肺癌^26,27 的 MRI 通气模式进行肺叶表征。哮喘的 MRI 通气异常也在空间上直接与 CT 测量的异常重塑的大气道 28,29,30,31 和提示小气道功能障碍的空气潴留^20,32 相匹配，并探测全肺支气管热成形术后的区域治疗反应³³.在 COPD 中，MRI 通气异常与较轻疾病中的小气道功能障碍和更严重疾病中的肺气肿有关 34,35,36。除了阻塞性肺疾病的通气成像外，CT 间质性肺异常和 ¹²⁹Xe MRI 气体交换模式之间的异质性空间关系也已在特发性肺纤维化中得到证实³⁷。此类研究提供了对一系列肺部疾病中区域肺结构-功能的更深入理解，可用于为未来的图像引导干预提供信息。

然而，解剖 CT 和功能性超极化气体 MRI 的直接配准具有挑战性，因为两种方法之间的成像对比根本不同，通气异常区域没有超极化气体信号，并且肺容量可能不同。图 1 显示了一名健康志愿者（图 1A）和三名患有慢性阻塞性肺病 （COPD;图 1B-D），突出了 COPD 病例中异质的 ¹²⁹Xe 通气模式和不同的缺失肺边界。克服这些挑战的关键是使用与超极化气体 MRI 同时获得的解剖学 ¹H MRI 作为中间步骤，将超极化气体 MRI 间接配准到 CT^34,38。早期工作采用并排视觉比较和手动分割 CT 结构（例如肺叶）到 MRI 空间²⁰ 上。计算资源和开源图像处理工具的进步使 CT 和超极化气体 MRI 的三维配准成为可能，例如，使用模态独立邻域描述符 （MIND）23,30,34,39,40,41 或高级归一化工具包 （ANT） 配准 21,22,27 ^，31,32,37,38,42,43，两者都是肺部图像配准挑战赛中表现最好的⁴⁴。一种新方法将两个注册耦合在一起，而不是独立处理它们⁴⁵，该方法已在专为肺病表型分析而设计的完整肺部图像分析管道中实施⁴⁶。总体而言，使用中间 ¹H 步骤³⁸ 和使用可变形方法比仅使用仿射方法 ^38,45 提高了超极化气体 MRI 到 CT 的配准精度。

这里的目标是从现有文献的基础上构建，并使用开源平台提供 ¹²⁹Xe MR 到 CT 图像配准的协议 47,48,49。该协议是使用 ANTsPy 实现的，并且与之前的工作³⁸ 一致，将 ¹H MRI 的单标签肺面罩注册到 CT 的单标签肺面罩;随后将生成的转换应用于 ¹²⁹Xe 图像，以将其映射到 CT 图像空间。概述的方案旨在适用于研究或临床环境（如适用），并且可以使用超极化 ¹²⁹Xe MRI。

对于上下文，此处提供的示例的图像采集和分析如下。根据既定的低剂量研究方案⁵⁰ 在完全吸气（总肺活量，TLC）时获取胸部 CT，参数为:64 x 0.625 准直，120 峰值千伏，管电流 100 mA，0.5 秒旋转时间，螺旋节距 1.0,1.25 毫米切片厚度，0.80 毫米切片间距，标准重建内核，显示视野仅限于肺的最外侧范围（以最大化空间分辨率）。使用商业软件进行 CT 分割和分析（参见 材料表）。

¹²⁹ 元根据已发布的指南进行 Xe 和体积匹配的 ¹H MRI⁹。有关完整的 MRI 采集详细信息和协议，读者可参考本集合中的另一篇文章⁵¹。MRI 分割和配准使用半自动自定义管道进行，使用 k-means 聚类进行 ¹²⁹Xe 分割，种子区域生长进行 ¹H 分割，以及基于地标的仿射配准，将 ¹H 图像映射到 ¹²⁹Xe 图像⁵²。仿射配准通常足以进行 ^{1 H-129}Xe MR 配准，以解释采集之间的大多数肺充气或患者体位差异;通常不需要可变形套准。1 ^H-129Xe 配准步骤可以通过在同一屏气中同时获取 ¹²⁹Xe 和 ¹H MRI 来消除^53,54。

此处显示的影像学病例已获得英属哥伦比亚大学普罗维登斯医疗保健研究伦理委员会 （REB# H21-01237， H21-02149， H22-01264） 的批准。参与者在完成成像之前提供了书面知情同意书。 图 2 概述了从图像采集到配准的整个流程，此处的协议细节仅侧重于 MR-CT 图像配准。图像采集和分割取决于可用或首选的成像硬件、成像协议和图像分析软件工具，因此，由读者选择。该协议旨在与图像分割后使用肺部单标签掩码的先前步骤无关。

1. 软件设置

1. 下载并安装 ANTsPy（请参阅材料表），这是高级归一化工具图像处理库 47,48,49 的 Python 包装器。教程可在"教程"选项卡下的链接中找到。如果需要，ANTsPy 也可用于 Docker 安装。
   注意:ANTsSpy 需要基于 Linux 的操作系统或环境。对于此处的示例，ANTsPy 在本地工作站上的虚拟高性能计算环境中安装和使用。根据作者的经验，该协议在使用虚拟计算环境时往往效果更好。
2. 下载并安装所选的细分和/或可视化软件。
   注意:对于本研究，ITK-SNAP 用于可视化（参见 材料表）。
3. 下载并保存 reg.py 脚本（补充文件 1）。

2. 图像预处理

1. 单击可在所需的图像可视化软件中打开 图像 和 蒙版 ，以验证所有 CT、 ¹H 和 ¹²⁹Xe 文件的图像和蒙版方向是否匹配。根据所使用的分割方法和/或软件，可能需要调整某些图像或蒙版的方向。根据需要，我们建议调整 ¹H 和 ¹²⁹Xe 图像和掩模方向，以匹配天然 CT 图像的方向。
2. 使用首选软件工具将图像 DICOM 和单标签掩码（根据需要按照步骤 2.1 进行调整）保存为神经影像信息学技术倡议文件（NIfTI，*.nii;总共六个文件），与 reg.py 可访问的文件夹中ANTsPy 安装和将要运行的位置。请遵循下面提到的命名约定。
   1. ¹H MRI:质子.nii; ¹H MRI 面罩:Proton_mask.nii。
      注意:在对准到 ¹²⁹Xe 后使用 ¹H 图像和掩码。
   2. ¹²⁹ 元Xe MRI:通气.nii; ¹²⁹ 元Xe MRI 面罩:Ventilation_mask.nii
   3. CT:CT.nii;CT 面罩:CT_mask.nii。
      注意:文件名已硬编码到注册脚本中，因此必须遵循上述格式，或者在脚本中进行修改以匹配所需的命名约定。可以使用步骤 1.2 中列出的任何推荐软件工具一起完成这些步骤。对于这些软件工具，有些会在保存 .nii 文件时自动写入所需的标头信息，而另一些则需要额外的步骤来复制和写入标头信息。

3. CT-XeMRI 注册

1. 在步骤 1.1 中所需的 Python 计算环境设置中打开 reg.py 文件。
   注意:脚本 reg.py 基于内置的 ANT 注册工具;其他文档可用⁵⁵.
2. 如果使用虚拟环境，请根据需要或计算环境中可用的中央处理单元 （CPU） 数量、线程数和 RAM 进行设置。此处的示例使用了具有 16 个 CPU、每个 CPU 1 个线程和 186 GB 可用 RAM 的虚拟计算环境。
3. 设置所需的变换和插值。此处使用了具有图像线性插值的 SyNAggro 转换和单标签掩码的通用标签插值，这是提供的 reg.py 脚本中的默认值。
   注意:SyNAggro 是一种对称归一化变换，它包括仿射 + 可变形变换以及使用精细比例匹配的更激进的配准和更多的变形（与普通 SyN 相比）。替代变换和插值算法列在步骤 3.1⁵⁵ 的 ANT 注册文档链接中。
4. 设置固定图像和移动图像。这里，CT （单标签掩码） 被设置为固定图像，^{1 H MRI}（单标签掩码） 被设置为移动图像。
5. 在 Python 计算环境中执行 reg.py 。完全注册可能需要 5-10 分钟（使用我们的参数）或更长时间，具体取决于使用或可用的计算资源。完成后，变形后的文件将自动保存在与原始图像文件相同的目录中，文件名如下:Proton_warped.nii.gz;Ventilation_warped.nii.gz;Ventilation_label_warped.nii.gz。
   注意:NIfTI *.nii.gz 文件只是 *.nii 文件的压缩版本，可以根据需要解压缩或打开。脚本 reg.py 可以根据需要进行修改，例如，使用不同的转换或插值方法，或者映射到或创建文件目录。

4. 注册结果评估

1. 在所需的可视化软件中打开 CT.nii 图像作为基础图像。
2. Ventilation_warped.nii.gz或Ventilation_label_warped.nii.gz作为另一张图像打开，并使用所需的彩图叠加在 CT 图像上。
3. 查看所有图像平面（冠状面、轴向、矢状面）中 ¹²⁹Xe 图像或掩码与 CT 图像的重叠，评估隆突和肺边界等标志物的视觉对齐（在 ¹²⁹Xe 图像中可用）。
4. 检查结果。如果对结果满意，则注册完成。
   注意:注册的 ¹²⁹Xe 图像/掩码可以乘以 CT 面罩，以去除气管和主气道（如果在 MRI 分割之前没有去除）并去除注册后落在 CT 肺边界之外的任何信号。可以根据需要对区域结构功能测量进行进一步量化。
5. 如果对结果不满意，请根据需要评估和优化转换的替代类型和相关参数。

本研究前瞻性地在研究环境中获得了配对 CT 和 ¹²⁹Xe MRI，用于一系列肺部疾病和病症的区域肺结构-功能表征和图像引导支气管镜检查。 图 3 显示了四名具有一系列 MRI 通气模式的代表性参与者在冠状面和矢状面的 ¹²⁹例 Xe MRI 通气和 CT（针对图 1 的相同参与者）。注册的 ¹²⁹Xe MR 标签面罩显示从通气缺陷或信号空虚到高强度的 ¹²⁹Xe 信号强度簇，并乘以 CT 标签面罩以去除气管和主要气道。目视检查显示，健康参与者的所有肺边界（图 3A）均一通气良好，右肺的肋膈角除外。这种差异可能是由于两种模式之间的分辨率差异或 ¹²⁹Xe/¹H MRI 中的几何失真;然而，它只占总肺容量的一小部分。在 3 名 COPD 参与者中，如果有的话，肺边界也具有良好的对齐。此处的 COPD 示例包括弥漫性通气异常（图 3B）、上叶通气异常（没有根尖肺边界）（图 3C）和下叶通气异常（没有膈肺边界）（图 3D）。

由于 CT 和 ¹²⁹Xe MRI 之间的多模态对比差异的性质，作者通常选择对配准图像进行目视检查，并且不会前瞻性地定量评估配准性能。配准性能的常见定量指标是 Dice 系数或目标配准误差 （TRE）。可以在注册的 ¹H（移动）和 CT（固定）图像之间评估骰子系数;然而，这将是间接的，因为 ¹H 图像用作记录 ¹²⁹Xe 图像的中间桥，而感兴趣的测量值来自 ¹²⁹Xe MRI。TRE 可以通过在固定和移动图像上放置基准标志来量化;然而，放置基准点是一个耗时的手动过程，并且 ¹²⁹Xe MRI 通气异常的性质意味着可用的解剖标志可能有限。尽管气管隆突和肋膈角通常作为简单的标志，但 图 3C、D 中的参与者强调了可用的明显标志有限的严重示例。在 ANT 中使用类似的配准框架，Tahir 等人实现了 8.8 毫米至 19.7 毫米的 TRE³⁸，相对于肺部的大小（典型视野 350-400 毫米）来说很小，因此是可以接受的;作者预计使用当前框架的 TRE 可能会类似。

图 1:肺部 ¹²⁹Xe 和 ¹H 和 CT。 一名健康参与者 （A） 和三名患有慢性阻塞性肺疾病 （COPD;B、C、D）显示一系列 ¹²⁹Xe 通风模式。请单击此处查看此图的较大版本。

图 2:整体图像分析和配准管道。 首先对输入 CT 、 ¹²⁹Xe MR 和 ¹H MR 图像进行分割，以生成单标签掩码。 ¹H MR 图像/掩码首先转换为 ¹²⁹Xe 图像/掩码。所有 CT、 ¹²⁹Xe 和 ¹H 图像和掩码都转换为 NIfTI 文件，然后用于 ¹²⁹Xe-CT 配准。将 ¹H 掩码转换为 CT 图像空间，随后将转换应用于 ¹²⁹Xe 图像/掩码。 请单击此处查看此图的较大版本。

图 3:¹²⁹个 Xe MRI-CT 配准结果。图 1 中所示的四个代表性参与者的配准结果，其中 ¹²⁹Xe 以青色显示，以灰度叠加在 CT 上。健康参与者 （A） 的所有肺边界均具有良好的对齐方式，除右肺的肋膈角外。在可用的情况下，三名 COPD 参与者的肺边界也具有良好的对齐，范围从弥漫性通气异常 （B）、上叶通气异常伴心尖肺边界缺失 （C） 和下叶通气异常伴膈肌肺边界缺失 （D）。请单击此处查看此图的较大版本。

图 4:COPD 参与者的肺叶结构功能测量。 大叶 CT 肺气肿由小于 -950 Hounsfield 单位（LAA950，黄色）和 ¹²⁹Xe MRI 通气缺损百分比（VDP，青色）测量的低衰减区域在 ¹²⁹Xe MR-CT 配准后生成，作为图像引导治疗计划的示例区域评估。叶轮廓的示意图显示在矢状面上。RUL = 右上叶;RML = 右中叶;RLL = 右下叶;LUL = 左上叶;LLL = 左下叶。 请单击此处查看此图的较大版本。

补充文件 1:reg.py 脚本。请点击此处下载此文件。

CT 和 ¹²⁹Xe MRI 为评估区域肺结构和功能提供了互补信息，使用图像配准最能促进这一点。多模态图像配准的实现并非易事，因此此处提供的协议旨在为读者提供将 ¹²⁹Xe MRI 配准到 CT 的工具。提供的协议使用 ANTsPy，以便具有广泛图像处理经验的用户使用 Python 而不是 C++（如传统 ANT）更轻松地实现。总体而言，ANT 提供了一个开源图像配准框架，减少了对不同指标和/或图像对进行调整的需要，并支持可重复的研究实践⁴⁹。在 ANT 中通常使用一组三种连续算法来实现最佳配准:（1） 仅使用旋转和平移的刚性配准，（2） 使用旋转和平移加上缩放和剪切的仿射配准，以及 （3） 可变形的非线性配准。在更深的层次上，此处为 CT-MR 配准提供的默认协议的三个步骤是:（1） 初始相似性（刚性）转换，以捕获 CT 和 MR 图像之间的总体相似性，为后续的、更精细的转换准备图像。此步骤使用具有 32 个直方图区间的遮罩互信息相似性度量⁴⁹ 、采样率为 0.2% 像素的常规采样、步长为 0.25 的梯度下降优化、具有四个下采样因子级别 6 x 4 x 2 x 1 的多分辨率高斯金字塔（迭代次数 2100 1200 1200 10）和相应的平滑高斯均衡指标 3 mm x 2 mm x 1 mm x 0 mm。（2） 使用相似性阶段的输出进行仿射变换，作为初始转换。此步骤使用具有 16 个直方图区间的遮罩互信息相似性指标、采样率为 0.2% 像素的常规采样、步长为 0.25 的梯度下降优化、具有四级下采样因子 4 x 2 x 2 x 1（迭代 2100 1200 1200 100）的多分辨率高斯金字塔和相应的平滑高斯 sigmas 3 mm x 2 mm x 1 mm x 0 mm。（3） SyNAggro 变换作为进一步细化变换的最后一步，使用非线性、可变形套准。此步骤使用具有 16 个直方图箱的遮罩互信息相似性指标、完全采样、步长为 0.2 的梯度下降优化、具有三个下采样因子级别 4 x 2 x 1（迭代 40 20 0）的多分辨率高斯金字塔，以及相应的平滑高斯 sigmas 2 mm x 1 mm x 0 mm、3 个体素的高斯正则化内核宽度，用于更新变换字段的平滑。这些是 SyNAggro 转换算法的默认设置。

如前所述，用于 CT 和超极化气体 MRI 之间的图像配准³⁸，这里使用了对称归一化 （SyN） 变换的变体，因为它被证明是肺部图像配准挑战中表现最好的算法⁴⁴。使用互信息相似性指标是因为它往往在多模态成像中表现最佳⁵⁶。为了进一步克服多模态图像对比度差异，该协议使用体积匹配的 ¹H MRI 间接将 ¹²⁹Xe MRI 注册到 CT，如 Tahir 等人首次描述^的那样38，并且实际上将单标签 ¹H 掩码注册到 CT 掩码而不是图像，结果转换随后应用于 ¹²⁹Xe 图像和掩码。也可以使用多标签面罩，例如肺叶或节段性 CT 面罩^{21、22、23、45} 或 MRI 强度区间⁵⁷。通过将 ¹H MRI 映射到 CT 空间来进行配准，以保持 CT 分辨率以定量 CT 结构特征，尽管配准方向可以根据需要反转。作为注册管道的输入，该协议处理 NIfTI 格式的图像和单标签掩码，因为以这种方式，3D 图像中的所有横截面切片都包含在一个文件中。我们已经在来自两个独立中心（不列颠哥伦比亚大学和堪萨斯大学医学中心）的配对 ^CT-129Xe MRI 数据上评估了该协议，并具有良好的性能，因此预计该协议将很好地应用于其他数据集。尽管如此，可以根据需要优化转换参数以提高本地数据集的性能。

该协议被有意设计为与图像采集和分割基本无关，因为这些步骤取决于可用或首选的成像硬件、成像协议和图像分析软件工具。理想情况下，CT 方案应该是薄层的、非造影剂增强的，具有标准等效的重建内核，以便能够测量经过验证的定量实质、气道和/或血管指标 10,11,50。CT 可以在完全吸气时获得，这最好用于定量测量¹⁰，或者与 MRI 进行体积匹配，以更好地促进 CT-MRI 配准并在相同的肺充气体积下配对结构-功能测量^24,30。也可以进行呼气 CT 并登记到吸气 CT 以量化空气潴留 17,18,34。对于分割和定量分析，市售⁵⁸ 或开源⁵⁹ 可以使用各种 CT 软件工具。另一方面，已经发布了 ¹²⁹Xe MRI 采集方案⁹，目前建议对 ¹²⁹Xe 和 ¹H MRI 分别进行屏气采集。已经开发了新的方案，可以在相同的屏气^53,54 中获得 ¹²⁹Xe 和 ¹H MRI，因此可以省去 ^{1 H-129}Xe 配准预处理步骤。此外，该协议侧重于 ¹²⁹Xe MR 通气成像，但同样适用于 ¹²⁹Xe 气体交换成像。作为一种新兴方法，¹²⁹Xe/¹H MRI 分割和定量尚未标准化;文献中已经报道了许多可以在此处使用的方法，并在最近的综述⁶⁰ 中进行了很好的总结。无论如何获取 CT 和 ^{1 H-129}Xe MR 图像并获得它们的单标签掩码，该配准协议都旨在广泛适用。

我们承认当前协议的局限性，主要是它在某种程度上是手动的，特别是对于准备注册和评估注册性能的预处理。之前已经提出了自动化方法⁴⁵，对现有自动化协议的改进对于无缝临床翻译非常重要。当前注册也是基于 CPU 的;虽然 CPU 处理可能更广泛地可用，并且配准在大约 10 分钟内运行，但使用图形处理单元 （GPU） 和/或深度学习实施可以进一步缩短运行时间，并可能提高配准准确性。最后，未提供 CT 和 ¹H/¹²⁹Xe MR 图像分割的建议或方法。两者都有多种方法可供选择，因此这留给读者选择;然而，包含自动分割和配准的管道存在巨大的机会，可以进一步加速临床转化。

该注册方案可应用于超极化 ¹²⁹Xe MRI 可用的研究或临床环境。在研究领域，互补 CT 和 ¹²⁹Xe MRI 在很大程度上支持了对区域肺结构-功能的新见解的发现，例如，哮喘 20,21,22,28,29,30,31,32，COPD 24,25,34,35 和 IPF ^37，61.然而，通往临床转化的桥梁来自图像引导的肺部介入治疗。与传统全肺治疗相比，使用 CT 和 ¹²⁹Xe MRI 对严重哮喘患者进行影像引导支气管热成形术的支气管镜手术更少，围手术期不良事件更少，患者报告的结果非劣效性^62,63。在 COPD 中，定量 CT 结构和 ¹²⁹Xe MRI 功能可能根据 CT 肺气肿和 MRI 通气异常的最大肺叶负荷提示不同的支气管镜肺减容目标，突出了同时考虑结构和功能的重要性²³。此外，已经提出了功能性肺回避放疗方案^40,64 以保护 MRI 上保留通气和气体交换功能的区域免受过度辐射暴露。肺部介入治疗中的其他图像引导机会包括外科肺癌切除术⁶⁵、COPD 中的气道支架和瓣膜放置，以及 COPD 或慢性支气管炎的其他新型支气管镜疗法，例如热蒸气消融术、冷冻疗法或流变成形术^66,67。图 4 显示了 COPD 患者的肺叶 CT 肺气肿和 MRI 通气异常，可以在治疗计划中考虑。肺仍然是人体进行图像引导干预的最后前沿之一;CT 和 ¹²⁹Xe MRI 共同提供了互补信息，提高了我们对肺结构-功能的理解，现在可以将其用于图像引导的肺部介入治疗。此处提供的 ^CT-129Xe MRI 配准方案可以进一步发现肺结构-功能以及图像引导干预，以改善呼吸系统疾病患者的护理、治疗和结果。

RLE 在提交的作品之外从 VIDA Diagnostics Inc. 收取个人咨询费。JAL 已获得 GE Healthcare 的机构资助，以及 Philips 和 GE Healthcare 在提交工作之外举办讲座的酬金。

这项研究部分得到了不列颠哥伦比亚大学高级研究计算和不列颠哥伦比亚大学放射学系 AI Grant 提供的计算资源和服务的支持。RLE 得到了 Michael Smith Health Research BC 实习生奖的支持。