[論文レビュー] Deep learning-based parameter mapping for joint relaxation and diffusion tensor MR Fingerprinting

Carolin M. Pirkl, Pedro A. Gómez+14 more|arXiv (Cornell University)|May 5, 2020

Advanced Neuroimaging Techniques and Applications参考文献 9被引用数 11

ひとこと要約

本論文は、1回の高度にアンダーサンプルされた磁気共鳴フィンガープリント（MRF）スキャンでT1、T2緩和および拡散テンソルパラメータを同時に定量的に評価する深層学習ベースの手法を提案する。3軸方向への拡散符号化勾配を備えた3次元スパイラルMRFシーケンスとU-Net畳み込みニューラルネットワークを用いることで、計算コストの高いディクショナリーマッチングを回避し、臨床的基準と良好に一致する高精度でアーチファクトに強く、複数の硬化症病変においても有効なパラメータマップを実現した。

ABSTRACT

Magnetic Resonance Fingerprinting (MRF) enables the simultaneous quantification of multiple properties of biological tissues. It relies on a pseudo-random acquisition and the matching of acquired signal evolutions to a precomputed dictionary. However, the dictionary is not scalable to higher-parametric spaces, limiting MRF to the simultaneous mapping of only a small number of parameters (proton density, T1 and T2 in general). Inspired by diffusion-weighted SSFP imaging, we present a proof-of-concept of a novel MRF sequence with embedded diffusion-encoding gradients along all three axes to efficiently encode orientational diffusion and T1 and T2 relaxation. We take advantage of a convolutional neural network (CNN) to reconstruct multiple quantitative maps from this single, highly undersampled acquisition. We bypass expensive dictionary matching by learning the implicit physical relationships between the spatiotemporal MRF data and the T1, T2 and diffusion tensor parameters. The predicted parameter maps and the derived scalar diffusion metrics agree well with state-of-the-art reference protocols. Orientational diffusion information is captured as seen from the estimated primary diffusion directions. In addition to this, the joint acquisition and reconstruction framework proves capable of preserving tissue abnormalities in multiple sclerosis lesions.

研究の動機と目的

• 1回のMRフィンガープリントスキャンでT1、T2緩和および完全な拡散テンソルパラメータを同時に定量的にマッピングすることを可能にすること。
• 特に拡散テンソル定量評価において顕著な高次元パラメータ空間における従来のディクショナリーベースMRFのスケーラビリティ制限を克服すること。
• アンダーサンプルでアーチファクトを含むデータからの直接再構成に深層学習を活用することで、MRFにおける動きアーチファクトおよび画像汚損への感受性を低減すること。
• 診断的意義を保ちながら、複数の硬化症病変における組織異常を共同パラメータマッピング中に保持すること。
• 膨大なディクショナリ計算に依存しない、スケーラブルでエンドツーエンドの深層学習フレームワークによる多パラメトリックMRFの実現可能性を示すこと。

提案手法

• T1、T2および方向性拡散情報の同時符号化を実現するため、3次元スパイラルMRFシーケンスに3軸方向への拡散符号化勾配を適用した。
• スパatiotemporalなMRF信号データからT1、T2および拡散テンソルの複数の定量的パラメータマップを直接回帰するU-Netベースの畳み込みニューラルネットワーク（CNN）を採用した。
• CNNは、アンダーサンプルでアーチファクトを含むMRF信号の時間的変化と組織パラメータの間の暗黙的な物理的関係を学習し、明示的なディクショナリーマッチングを回避する。
• エドイ・カレントに起因するぼやけを最小限に抑えるためにモノポール型拡散符号化勾配を採用し、スパイラルkスペース軌道を用いてスキャン時間を短縮するとともにEPI歪みへの感受性を低減した。
• シミュレーションおよびin-vivoデータを用いてモデルを訓練し、動きや画像アーチファクトへの耐性を高めるためにデータ拡張と正則化を実施した。
• 1回の撮影からスカラー拡散マッピング（例：分数量子的異方性、平均拡散率）および方向性拡散情報の共同再構成を可能にした。

実験結果

リサーチクエスチョン

• RQ1 3次元拡散符号化勾配を用いた、高度に加速された1回のMRF撮影で、T1、T2および完全な拡散テンソル情報を同時に符号化できるか？
• RQ2 ディクショナリーマッチングを回避して、アンダーサンプルでアーチファクトを含むMRFデータから正確なT1、T2および拡散テンソルマップを深層学習モデルで再構成できるか？
• RQ3 予測されたパラメータマップおよび派生するスカラー拡散マッピングが、確立された臨床的基準プロトコルとどの程度一致するか？
• RQ4 動きおよびアンダーサンプルアーチファクト下でも、硬化症病変で観察されるような組織異常はどの程度保持されるか？
• RQ5 複数のMRF繰り返しにおける複数方向への拡散符号化勾配の統合が、拡散テンソル推定の忠実度にどのように影響するか？

主な発見

• 提案されたCNNベースの再構成は、T1、T2および分数量子的異方性や平均拡散率などのスカラー拡散マッピングについて、臨床的基準プロトコルと高い一致を示した。
• 本手法は、白質領域における主な拡散方向の正確な推定を通じて、方向性拡散情報の正確な捉え込みを実現した。
• スパイラルアンダーサンプルや脈動に起因するアーチファクトに対しても、本フレームワークは耐性を示し、MS患者における動きに起因する汚損に対しても効果的に対処した。
• MS患者における重度の頭部運動の課題にもかかわらず、モデルは病変における組織異常を保持しており、診断的意義を示した。
• 共同再構成フレームワークは、高アンダーサンプルおよび運動条件下でも画像品質とパラメータの正確性を維持できることを実証した。
• 本手法は、指数関数的増加するディクショナリの問題を回避することで、MRFのスケーラビリティを実現し、さらなる定量的コントラストへの拡張に道を拓いた。