[論文レビュー] Deep Quantitative Susceptibility Mapping for Background Field Removal and Total Field Inversion

Juan Liu, Kevin M. Koch|arXiv (Cornell University)|May 28, 2019

Advanced MRI Techniques and Applications参考文献 38被引用数 3

ひとこと要約

本稿では、単一コントラスト臨床SWIデータから定量的感受率マッピング（QSM）のためのバックグラウンド磁場除去とトータル磁場逆問題を統合的に行う深層学習フレームワーク、QSMAllNetを提案する。臨床的プロトコルに追加スキャンを必要とせず、生体由来QSMスキャンから導出した物理ベースの合成データで訓練された本モデルは、最先端手法と比較して優れた精度とアーチファクト低減を達成し、追加スキャンなしに耐障害性が高く高解像度のQSM再構成を可能にする。

ABSTRACT

Quantitative susceptibility mapping (QSM) utilizes MRI signal phase to estimate local tissue susceptibility, which has been shown useful to provide novel image contrast and as biomarkers of abnormal tissue. QSM requires addressing a challenging post-processing problem: filtering of image phase estimates and inversion of the phase to susceptibility relationship. A wide variety of quantification errors, robustness limitations, and artifacts constraints QSM clinical translation. To overcome these limitations, a robust deep-learning-based QSM reconstruction approach is proposed to perform background field removal and susceptibility inversion simultaneously from input MRI phase images. Synthetic training data based on in-vivo data sources and physics simulations were used for training. The network was quantitatively tested using gold-standard in-silico labeled dataset against established background field removal and QSM inversion approaches. In addition, the algorithm was applied to a QSM challenge data and clinical susceptibility-weighted imaging (SWI) data. When quantitatively compared against gold-standard in-silico labels, the proposed algorithm outperformed the existing comparable background field removal approaches and QSM reconstruction algorithms. The QSM challenge data and clinical SWI data demonstrated that the proposed approach was able to robustly generate high quality local field and QSM with improved accuracy.

研究の動機と目的

• 既存のQSM再構成手法の限界、すなわちパrameterチューニングの必要性、長時間の計算時間、および大きな感受率変動領域における残留アーチファクトを解消すること。
• QSM用のグランド・トゥルース訓練データの不足を補うために、生体由来QSMデータセットと物理的感受率-磁場モデルを用いて合成訓練データを生成すること。
• バックグラウンド磁場除去と感受率逆問題を同時に実行する1つのエンドツーエンドの深層学習モデルを構築し、逐次処理に起因する誤差伝搬を低減すること。
• 追加スキャンやマルチオリエンテーション撮像を必要とせず、日常的に行われる臨床的SWIデータから高品質でアーチファクトのないQSM再構成を可能にすること。
• 特に出血巣や石灰化などの病変領域周辺での画像品質と定量的精度の向上を通じて、臨床現場におけるQSMの診断的有用性を高めること。

提案手法

• 200例の生体由来QSMスキャンから得られた物理ベースのフォワードモデルを用いて、組織感受率を局所磁場にマップする合成データセットを生成し、その上でモデルを訓練する。
• 非局所的感受率効果を捉えるために受容 field を拡大するため、拡張畳み込み（dilated convolutions）を用いたU-Netに類似した畳み込みニューラルネットワークアーキテクチャを採用する。
• 共通の潜在空間を共有することで、生相位画像から局所磁場マップと感受率マップをエンドツーエンドに予測するネットワークを設計し、統合最適化を実現する。
• 合成データにおいて予測値とグランド・トゥルースの局所磁場および感受率マップの間のL2損失を最小化する学習目的関数を採用する。
• バックグラウンド磁場除去と感受率逆問題の両方を1つのネットワークで処理することで、別々のネットワークや逐次処理の必要性を排除する。
• メモリ効率が良く、計算負荷が軽量なアーキテクチャ設計により、臨床データにおける高速推論を実現する。

実験結果

リサーチクエスチョン

• RQ1 合成データで訓練された深層学習モデルは、従来の2段階および1段階手法と比較して、バックグラウンド磁場除去およびQSM逆問題の両面で優れた性能を達成できるか？
• RQ2 提案されたエンドツーエンドネットワークは、従来のQSM再構成技術と比較して、ストレーキングやシェーディングなどのアーチファクトをどの程度低減できるか？
• RQ3 非等方的解像度および複雑な病変（例：頭蓋内出血、石灰化）を有する臨床的SWIデータに対しても、本モデルは一般化可能か？
• RQ4 バックグラウンド磁場除去と感受率逆問題の統合最適化は、別々の処理ステップに起因する誤差伝搬を排除できるか？
• RQ5 追加の撮像やマルチオリエンテーションデータを必要とせず、標準的な臨床的SWIシーケンスからも高品質なQSMマップを生成できるか？

主な発見

• ゴールドスタンダードのインシリコラベル付きデータセットにおいて、QSMAllNetは定量的指標（平均絶対誤差が低く、グランド・トゥルースとの相関が高い）において、既存のバックグラウンド磁場除去およびQSM再構成手法を上回った。
• 臨床的SWIデータにおいて、QSMAllNetは画像のシャープネスが向上し、組織構造が明瞭に表示され、出血巣周辺でもストレーキングやシェーディングアーチファクトが顕著に減少していた。これはSS-TV-QSM、PDF+MEDI、RESHARP+TKD、LN-QSMと比較して顕著であった。
• 微小出血巣や石灰化周辺の大きな感受率変動領域においても、残留バックグラウンド磁場が効果的に除去され、シェーディングアーチファクトが完全に消失したことが、視覚的および定量的評価で確認された。
• RESHARP+TKD や PDF+MEDI といった2段階手法と比較して、QSMAllNetは1つのネットワーク内で両処理を統合することで、より高い精度と誤差伝搬の低減を達成した。
• 非等方的臨床的SWIデータに対しても、本モデルは特化した撮像プロトコルを必要とせず、診断的に有用なQSMマップを生成するという、頑健な性能を示した。
• 拡張畳み込みの使用により、非局所的感受率推定が効果的に実現され、アーチファクト抑制と構造保存の両面で寄与した。