[論文レビュー] Angular Super-Resolution in Diffusion MRI with a 3D Recurrent Convolutional Autoencoder

Matthew Lyon, Paul Armitage+1 more|arXiv (Cornell University)|Mar 29, 2022

Advanced Neuroimaging Techniques and Applications被引用数 6

ひとこと要約

本稿では、球面調和関数に依存せず、低分解能データから高角分解能q空間信号を直接推定することで、拡散MRIにおける角分解能向上を実現する3次元再帰的畳み込みオートエンコーダ（ConvLSTMセル搭載）を提案する。この手法は最先端の性能を達成しており、3次元RCNNモデルは複数のb値およびアンサンブルスケーリング方式において、特に極めて低い角分解能領域で最小の誤差率を示した。

ABSTRACT

High resolution diffusion MRI (dMRI) data is often constrained by limited scanning time in clinical settings, thus restricting the use of downstream analysis techniques that would otherwise be available. In this work we develop a 3D recurrent convolutional neural network (RCNN) capable of super-resolving dMRI volumes in the angular (q-space) domain. Our approach formulates the task of angular super-resolution as a patch-wise regression using a 3D autoencoder conditioned on target b-vectors. Within the network we use a convolutional long short term memory (ConvLSTM) cell to model the relationship between q-space samples. We compare model performance against a baseline spherical harmonic interpolation and a 1D variant of the model architecture. We show that the 3D model has the lowest error rates across different subsampling schemes and b-values. The relative performance of the 3D RCNN is greatest in the very low angular resolution domain. Code for this project is available at https://github.com/m-lyon/dMRI-RCNN.

研究の動機と目的

• 臨床的スキャン時間の制限により、高角分解能拡散MRI（dMRI）の取得が制限される課題に対処すること。
• 球面調和関数や下流の指標に依存する既存の角分解能向上手法の限界を克服し、dMRIの生信号を直接推定すること。
• q空間における空間的および角的相関をモデル化する3次元再帰的アーキテクチャを構築し、再構成の忠実度を向上させること。
• 異なる角分解能およびb値、多層推定を含め、モデルの性能を評価すること。
• 球面調和分解を回避することで、制約のないdMRIデータを深層学習に活用する可能性を実証すること。

提案手法

• 3次元オートエンコーダアーキテクチャを用いて、q空間サンプルの局所的回帰問題として角分解能向上を定式化する。
• q空間における時間的および空間的依存性をモデル化するため、3次元畳み込み長短期記憶（ConvLSTM）セルを統合する。
• 高角分解能拡散信号の再構成をガイドするために、ターゲットのbベクトルをオートエンコーダに条件づける。
• WU-Minn Human Connectome Project（HCP）データセットを用いて、平均絶対誤差（MAE）および構造的類似度（MSSIM）を損失関数として、モデルをエンドツーエンドで学習する。
• 3次元RCNNを球面調和関数（SH）補間ベースラインおよび1次元RCNNバージョンと比較し、同一条件下で学習および評価する。
• 複数のb値のための分離および統合学習を可能にし、多層超解像能力を評価する。

実験結果

リサーチクエスチョン

• RQ1 3次元再帰的畳み込みオートエンコーダは、球面調和関数補間法や1次元アーキテクチャを上回る角分解能向上を達成できるか？
• RQ2 ConvLSTMによる3次元空間的および時間的（q空間）モデリングの導入により、非再帰的または低次元モデルと比較して再構成精度がどのように向上するか？
• RQ3 極めて低い角分解能領域（例：q_in = 6）における3次元RCNNの性能向上はどの程度か？
• RQ4 複数のb値を同時に学習した場合、モデルは一般化可能であり、再構成品質にどのように影響を与えるか？
• RQ5 提案手法が、FA（分数量子）や白質および灰色質領域における誤差低減をどの程度実現できるか？

主な発見

• 3次元RCNNは、全b値およびサブサンプリング比において平均絶対誤差（MAE）が42.6 ± 5.5と最低となり、SH補間ベースラインおよび1次元RCNNを顕著に上回った。
• 極めて低い角分解能領域（q_in = 6）では、ベースライン比で23.8%、1次元RCNN比で12.5%のMAE低減を達成した。
• 3次元RCNNは構造的類似度指数（MSSIM）の平均が0.9633 ± 0.0088を達成し、再構成されたdMRIボリュームの視覚的および構造的忠実度が非常に高いことを示した。
• 白質（0.0353）および灰色質（0.0357）におけるFAの絶対誤差が最小であり、すべてのベースラインを上回る組織特異的誤差指標を達成した。
• 複数b値を統合して学習した設定ではMAEが44.8 ± 6.2を記録し、個別に学習したモデルと比較してわずかな性能低下にとどまり、多層推定への耐性が確認された。
• 視覚的および定量的分析から、3次元RCNNが細かな角方向構造を保持し、特に後続解析に重要な白質領域におけるアーティファクトを低減していることが確認された。