[論文レビュー] Acceleration and Quantitation of Localized Correlated Spectroscopy using Deep Learning: A Pilot Simulation Study

Zohaib Iqbal, Dan Nguyen+2 more|arXiv (Cornell University)|Jun 28, 2018

Advanced MRI Techniques and Applications参考文献 56被引用数 4

ひとこと要約

本研究では、局所的相関スペクトル法（L-COSY）の非一様サンプリングを高速化し、代謝物濃度を正確に定量するための深層学習手法として、密結合型U-Net（D-UNet）を提案する。この手法は4倍の加速条件下で5%未満の正規化平均二乗誤差（NMSE）を達成し、25% SNR条件下でも8%未満の誤差を示し、シミュレートされたMRSデータを用いた再構成および定量タスクにおいて、圧縮センシングを上回る性能を発揮する。

ABSTRACT

Nuclear magnetic resonance spectroscopy (MRS) allows for the determination of atomic structures and concentrations of different chemicals in a biochemical sample of interest. MRS is used in vivo clinically to aid in the diagnosis of several pathologies that affect metabolic pathways in the body. Typically, this experiment produces a one dimensional (1D) 1H spectrum containing several peaks that are well associated with biochemicals, or metabolites. However, since many of these peaks overlap, distinguishing chemicals with similar atomic structures becomes much more challenging. One technique capable of overcoming this issue is the localized correlated spectroscopy (L-COSY) experiment, which acquires a second spectral dimension and spreads overlapping signal across this second dimension. Unfortunately, the acquisition of a two dimensional (2D) spectroscopy experiment is extremely time consuming. Furthermore, quantitation of a 2D spectrum is more complex. Recently, artificial intelligence has emerged in the field of medicine as a powerful force capable of diagnosing disease, aiding in treatment, and even predicting treatment outcome. In this study, we utilize deep learning to: 1) accelerate the L-COSY experiment and 2) quantify L-COSY spectra. We demonstrate that our deep learning model greatly outperforms compressed sensing based reconstruction of L-COSY spectra at higher acceleration factors. Specifically, at four-fold acceleration, our method has less than 5% normalized mean squared error, whereas compressed sensing yields 20% normalized mean squared error. We also show that at low SNR (25% noise compared to maximum signal), our deep learning model has less than 8% normalized mean squared error for quantitation of L-COSY spectra. These pilot simulation results appear promising and may help improve the efficiency and accuracy of L-COSY experiments in the future.

研究の動機と目的

• 深層学習を用いて、時間のかかる2次元L-COSY MRSの撮影を高速化すること。
• L-COSYス toward に重複する代謝物ピークを正確に定量すること。
• 従来の再構成およびフィッティング手法の限界（長時間のスキャン、複雑なスペクトルフィッティング）を克服すること。
• 非一様サンプリングされたL-COSYデータの再構成および完全サンプリングされたスペクトルの定量に、深層学習の性能を、シミュレートされた代謝物データを用いて検証すること。
• 現実的なノイズおよびサンプリング条件下での実用性と正確性を示すことで、臨床応用への基盤を構築すること。

提案手法

• 非一様サンプリング（NUS）L-COSYス toward からアンダーサンプリングされたkスペースデータを入力として、密結合型U-Net（D-UNet）アーキテクチャを用いて再構成する。
• D-UNetモデルは、現実的な代謝物ピーク位置、強度、指数関数的線幅拡張を想定したシミュレートされたL-COSYデータ上で、エンドツーエンドで訓練された。
• 再構成性能は、ℓ₁ノルム最小化をベースラインとして用いた圧縮センシングと比較された。
• 定量タスクでは、完全サンプリングされたL-COSYス toward から直接代謝物濃度を予測する別個のD-UNetモデルを訓練した。
• モデルは、さまざまな信号対雑音比（SNR）および加速係数における正規化平均二乗誤差（NMSE）を用いて評価された。
• トレーニングデータには、NAA、クレアチン、グルタメート、および2-ヒドロキシグルタラート（2HG）などの代謝物が含まれており、シミュレーションにピーク位置および形状に関する事前知識が組み込まれた。

実験結果

リサーチクエスチョン

• RQ1 高加速条件下で、圧縮センシングよりも高い精度で非一様サンプリングL-COSYス toward を再構成できるか。
• RQ2 低SNR条件下でも、完全サンプリングされたL-COSYス toward における代謝物濃度を正確に定量できるか。
• RQ3 従来の再構成および定量手法と比較して、D-UNetモデルはシミュレートされたL-COSYデータにおいてどの程度の性能を示すか。
• RQ4 2次元MRSにおけるさまざまなSNRレベルおよびサンプリングパターンにおいて、モデルの一般化能力はどの程度か。
• RQ5 同じ深層学習フレームワークを、JPRESSやTOCSYなどの他の2次元MRS技術へも拡張可能か。

主な発見

• 4倍の加速条件下で、D-UNetは非一様サンプリングL-COSYス toward の再構成において5%未満の正規化平均二乗誤差（NMSE）を達成し、圧縮センシング（20% NMSE）を顕著に上回った。
• 低SNR条件（最大信号の25%）下でも、D-UNetは代謝物定量において8%未満のNMSEを維持し、ノイズに強く、耐性があることが示された。
• D-UNetモデルは、特に2次元ス toward における重複するクロスピークの解像度向上において、圧縮センシングよりも優れた再構成忠実度を示した。
• 複数のSNRレベルおよび加速係数において一貫した性能を示し、シミュレートデータ上での強力な一般化能力を示した。
• 補足結果から、このフレームワークはJPRESS、NOESY、TOCSYなど、他の2次元MRS技術へも拡張可能であることが示された。
• 本研究は、3～5分の1次元ボクセルMRSと同等の撮影時間でL-COSYス toward を実施可能であるため、臨床的日常利用が現実的になる可能性を示し、臨床応用への可能性を強調している。