[論文レビュー] Deep learning-based prediction of kinetic parameters from myocardial perfusion MRI

Cian M. Scannell, Piet van den Bosch+4 more|arXiv (Cornell University)|Jul 27, 2019

Advanced MRI Techniques and Applications参考文献 5被引用数 4

ひとこと要約

本研究では、動的対比増強MRIデータから心筋血流（MBF）を予測するための深層学習モデルを提案する。ベイジアン推論の計算コストが非常に高い問題を回避する。モデルは平均ボクセル誤差4%を達成し、1スライスあたりの処理時間を28分から2秒に短縮した。診断精度は臨床レポートと同等を維持した。

ABSTRACT

The quantification of myocardial perfusion MRI has the potential to provide a fast, automated and user-independent assessment of myocardial ischaemia. However, due to the relatively high noise level and low temporal resolution of the acquired data and the complexity of the tracer-kinetic models, the model fitting can yield unreliable parameter estimates. A solution to this problem is the use of Bayesian inference which can incorporate prior knowledge and improve the reliability of the parameter estimation. This, however, uses Markov chain Monte Carlo sampling to approximate the posterior distribution of the kinetic parameters which is extremely time intensive. This work proposes training convolutional networks to directly predict the kinetic parameters from the signal-intensity curves that are trained using estimates obtained from the Bayesian inference. This allows fast estimation of the kinetic parameters with a similar performance to the Bayesian inference.

研究の動機と目的

• トレーサー動態モデルのベイジアン推定におけるマルコフ連鎖モンテカルロ（MCMC）サンプリングの高い計算コストを解消し、DCE-MRIからの心筋灌注パラメータを高速かつ自動的に推定する手法を開発すること。
• トレーサー動態モデルのベイジアン推定におけるマルコフ連鎖モンテカルロ（MCMC）サンプリングの高い計算コストを解消すること。
• アーテリアルインプット関数（AIF）と心筋組織の時間経過曲線から直接MBFを予測する深層学習モデルを構築し、隣接ボクセルの空間的文脈を活用すること。
• 処理時間を大幅に短縮しながら、臨床的解釈と同等の診断精度を維持すること。
• モデルが明示的なモデル化を伴わずに、動脈と組織の時間曲線間の遅延を暗黙的に学習できるかを検討すること。

提案手法

• 2本のブランチからなる3次元畳み込みニューラルネットワークが、アーテリアルインプット関数（AIF）と心筋組織曲線の3×3近傍を別々の入力ストリームとして処理する。
• 各ブランチは、ReLU活性化関数を用いた畳み込み層およびマックスプーリング層を介して、時間系列曲線から特徴を抽出する。
• 両ブランチから得られた特徴量が連結され、全結合層を経てMBF値を回帰する。
• モデルは27,893個の心筋ボクセル（9例の患者）を用いて、Adam最適化と早期停止を用いた平均二乗誤差（MSE）損失関数で学習される。
• 空間的正則化として、組織曲線の3×3近傍を活用することで、滑らかなMBFマップの生成を促進する。
• 学習ターゲットは、MCMCサンプリングを用いたベイジアン推論で計算されたMBF値であり、高精度な教師信号を提供する。

実験結果

リサーチクエスチョン

• RQ1 トレーサー動態モデルを明示的に使用せずに、DCE-MRIデータからMBFを正確に予測できるか？
• RQ2 深層学習アプローチは、MBFマップに基づく臨床的解釈と同等の診断精度を達成できるか？
• RQ3 合成データの微調整を必要とせずに、実患者データに一般化できるか？
• RQ4 モデルは明示的な遅延推定を伴わず、AIFと組織曲線間の遅延を暗黙的に学習できるか？
• RQ5 処理時間を数分から数秒に短縮しながら、精度を保持できるか？

主な発見

• 予測値とターゲットMBF値の間で平均二乗誤差（MSE）は0.096 mL/min/mL（標準偏差0.081）を記録し、平均ボクセル誤差は4%に相当した。
• 処理時間はベイジアン推論の28分から1スライスあたり2秒に短縮され、99%の高速化が達成された。
• MBFマップのみに基づく診断精度は、すべてのスライスで臨床レポートと一致し、臨床的妥当性が確認された。
• 畳み込み層のインダクティブバイアスのおかげで、AIFと組織曲線間の時間遅延に対して不変性を示し、明示的な遅延推定の必要性が解消された。
• シミュレートデータで学習させても性能向上が見られなかったが、患者データでの微調整は、実データでの学習のみに比べて利点を示さなかった。
• 空間的正則化やモデル容量の制限のため、ベイジアン推論よりも滑らかなMBFマップが生成されたが、過剰に平滑化されている可能性がある。