[論文レビュー] Accurate super-resolution low-field brain MRI

Juan Eugenio Iglesias, Riana Schleicher+8 more|arXiv (Cornell University)|Feb 7, 2022

Advanced MRI Techniques and Applications被引用数 4

ひとこと要約

本論文では、低磁場（LF）脳MRIスキャンを1 mm等方分解能に向上させる深層学習ベースのスーパーサンプリング（SR）手法を提案する。この手法により、高品質なセグメンテーションが可能になる。ペアドLF-MRIと高磁場（HF）MPRAGEに類似したスキャンを活用することで、ゴールドスタンダードのHF測定値と強く相関（r > 0.84）し、ポータブルで低コストなMRIシステムにおける診断可能性を著しく向上させる。

ABSTRACT

The recent introduction of portable, low-field MRI (LF-MRI) into the clinical setting has the potential to transform neuroimaging. However, LF-MRI is limited by lower resolution and signal-to-noise ratio, leading to incomplete characterization of brain regions. To address this challenge, recent advances in machine learning facilitate the synthesis of higher resolution images derived from one or multiple lower resolution scans. Here, we report the extension of a machine learning super-resolution (SR) algorithm to synthesize 1 mm isotropic MPRAGE-like scans from LF-MRI T1-weighted and T2-weighted sequences. Our initial results on a paired dataset of LF and high-field (HF, 1.5T-3T) clinical scans show that: (i) application of available automated segmentation tools directly to LF-MRI images falters; but (ii) segmentation tools succeed when applied to SR images with high correlation to gold standard measurements from HF-MRI (e.g., r = 0.85 for hippocampal volume, r = 0.84 for the thalamus, r = 0.92 for the whole cerebrum). This work demonstrates proof-of-principle post-processing image enhancement from lower resolution LF-MRI sequences. These results lay the foundation for future work to enhance the detection of normal and abnormal image findings at LF and ultimately improve the diagnostic performance of LF-MRI. Our tools are publicly available on FreeSurfer (surfer.nmr.mgh.harvard.edu/).

研究の動機と目的

• 低磁場（LF）MRIにおける解像度と信号対雑音比の制限が、正確な脳構造特徴化を妨えるという問題に対処すること。
• 低磁場T1およびT2強調画像から、高分解能MPRAGEに類似した画像を合成する機械学習ベースのスーパーサンプリング（SR）フレームワークを開発すること。
• SRで強化されたLF-MRI画像が、高磁場MRIと同等の正確な自動セグメンテーションを可能にするかを評価すること。
• 画像品質と診断的有用性の向上を通じて、LF-MRIの臨床的導入を可能にするために、後処理による強化を実現すること。

提案手法

• 低解像度で低磁場のT1およびT2強調MRIスキャンを、合成された1 mm等方MPRAGEに類似した画像にマッピングするための深層ニューラルネットワークを訓練する。
• 教師あり学習のため、低磁場（1.0T以下）MRIとそれに対応する高磁場（HF、1.5T〜3T）スキャンのペアドデータセットを用いる。
• SRネットワークは、解剖学的詳細と強度の一貫性を保持するように最適化され、高磁場MPRAGEシーケンスのコントラストを模倣する。
• 両方の画像（元のLF-MRIおよびSR強化画像）に対して、標準的な神経解剖学的セグメンテーションパイプライン（例：FreeSurfer）を用いて評価する。
• セグメンテーション体積の相関（ピアソンのr）を用いて、SR画像から得られた体積とゴールドスタンダードHF-MRI測定値との関係を評価する。
• 訓練済みモデルは、コミュニティ利用および再現可能性を目的として、FreeSurferプラットフォームを通じて公開される。

実験結果

リサーチクエスチョン

• RQ1 スーパーサンプリングの深層学習は、診断品質の解像度に到達する低磁場MRIを効果的に向上させることができるか？
• RQ2 SR強化LF-MRI画像上のセグメンテーション結果は、ゴールドスタンダードの高磁場MRI測定値とどの程度相関するか？
• RQ3 自動セグメンテーションツールは、生の低磁場スキャンではなく、SR強化された低磁場MRIに対して、信頼性のある性能を発揮できるか？
• RQ4 SR手法は、海馬、側頭体、全大脳などの主要な神経解剖学的構造をどの程度正確に保持できるか？

主な発見

• 標準的なツールを用いたLF-MRIスキャンの直接的セグメンテーションは失敗し、低解像度とノイズのため性能が著しく低いことが判明した。
• SR処理後、セグメンテーション精度が著しく向上し、海馬体積に関してはr = 0.85の相関が高磁場MRI測定値と得られた。
• SR画像上の側頭体体積は、高磁場基準値と高い相関（r = 0.84）を示した。
• 全大脳のセグメンテーションでは、r = 0.92の強力な相関が得られ、大規模な解剖学的構造の保存が良好であることが示された。
• スーパーサンプリング手法は、低磁場T1およびT2強調シーケンスから1 mm等方MPRAGEに類似した画像を効果的に合成できた。
• 提案されたSRフレームワークは、FreeSurferを通じて公開され、より広範な臨床的および研究的応用が可能になった。