[論文レビュー] A Tool for Super-Resolving Multimodal Clinical MRI

Mikael Brudfors, Yaël Balbastre+2 more|arXiv (Cornell University)|Sep 3, 2019

Generative Adversarial Networks and Image Synthesis参考文献 49被引用数 4

ひとこと要約

本論文は、トレーニングや手動チューニングを必要とせず、マルチモodal臨床MRIスキャンからの低分解能・厚いスライス画像から高分解能等方性画像を生成モデルと多チャンネル全変動正則化を用いて再構成する、データに依存しないモデルベースのスーパーレゾリューションツールを提示する。この手法は、シミュレートされたおよび実臨床データにおいて、従来の技術を上回る性能を発揮する。

ABSTRACT

We present a tool for resolution recovery in multimodal clinical magnetic resonance imaging (MRI). Such images exhibit great variability, both biological and instrumental. This variability makes automated processing with neuroimaging analysis software very challenging. This leaves intelligence extractable only from large-scale analyses of clinical data untapped, and impedes the introduction of automated predictive systems in clinical care. The tool presented in this paper enables such processing, via inference in a generative model of thick-sliced, multi-contrast MR scans. All model parameters are estimated from the observed data, without the need for manual tuning. The model-driven nature of the approach means that no type of training is needed for applicability to the diversity of MR contrasts present in a clinical context. We show on simulated data that the proposed approach outperforms conventional model-based techniques, and on a large hospital dataset of multimodal MRIs that the tool can successfully super-resolve very thick-sliced images. The implementation is available from https://github.com/brudfors/spm_superres.

研究の動機と目的

• 厚いスライスと多様なコントラストを有する非常に多様な臨床MRIスキャンにおける自動神経画像解析の課題に対処すること。
• 新しいスキャンコントラストや分解能要因に対して再トレーニングを必要としない、データに依存しない手法を開発すること。
• 複数のMRコントラストにわたる情報統合を通じて、臨床MRIの高忠実度スーパーレゾリューションを可能にすること。
• 補間ベースのアップサンプリングが引き起こすアーチファクトや下流解析へのバイアスを克服すること。
• 既存の、集団を代表するMRIデータを用いた大規模臨床研究に耐性があり汎用性の高いツールを提供すること。

提案手法

• 本手法は、複数モodalなMRIスキャンの低分解能（LR）入力から、連合尤度定式化を用いて高分解能（HR）画像を推定する生成モデルを採用する。
• 異なるMRIコントラスト間の勾配情報を活用するため、多チャンネル全変動（MTV）正則化を用い、エッジの保存性を向上させる。
• 前方モデルはスライスプロファイルおよびギャップパラメータを組み込み、簡略化のため固定値を仮定しているが、それらの推定への拡張も議論されている。
• TV事前分布に起因する滑らかでない最適化問題を解くために、ADMMアルゴリズムの使用が主要な要素である。
• 観測されたLRデータの尤度関数としてガウス分布を仮定し、収束性とロバストネスを向上させるために再重み付け最小二乗法を用いた非定常ペナルティを導入する。
• HR画像の原理的マージナル化が可能であり、変分ベイズや多変量ガウス混合分布を用いた同時セグメンテーションと再構成への拡張も可能である。

実験結果

リサーチクエスチョン

• RQ1 トレーニングを必要とせず、厚いスライスでマルチモダリティな臨床MRIスキャンから高分解能等方性MRIを効果的に再構成できるモデルベーススーパーレゾリューションアプローチは、実現可能か？
• RQ2 本手法は、従来の補間法およびモデルベース手法と比較して、画像品質およびアーチファクト抑制の観点でどのように優れているか？
• RQ3 単一チャネル正則化と比較して、多チャンネル全変動は再構成忠実度をどの程度向上させるか？
• RQ4 本手法は、再トレーニングなしに多様な臨床MRIコントラストおよびスキャナーパrameterに一般化可能か？
• RQ5 コントラスト間勾配情報の組み込みが、平坦な組織領域におけるステアケージングアーチファクトをどの程度低減するか？

主な発見

• 本手法は、特に構造的詳細の保存とアーチファクト低減の観点で、シミュレートデータ上での従来のモデルベーススーパーレゾリューション技術を上回る性能を発揮した。
• 大規模な実臨床データセット上でも、本ツールは非常に厚いスライスのMRIスキャンを効果的にスーパーレゾリューション処理し、下流の自動分析に適した品質の画像を生成した。
• 多チャンネル全変動の使用により、ステアケージング効果が顕著に低減された。これは、あるコントラストの勾配が、他のコントラストの平坦な勾配を補完できることを示している。
• スライスプロファイルおよびギャップの変動に対して本手法はロバストであるが、これらのパラメータが正確に分かっているか、推定されている場合に性能がさらに向上する。
• トレーニングの必要がないことから、本ツールは多様な臨床MRIプロトコルおよびスキャナータイプに非常に汎用的に適用可能である。
• 実装はGitHubで公開されており、再現性の確保および臨床および研究プロセスへの統合を可能としている。