[論文レビュー] Denoising Arterial Spin Labeling Cerebral Blood Flow Images Using Deep Learning

Danfeng Xie, Li Bai+1 more|arXiv (Cornell University)|Jan 29, 2018

Advanced MRI Techniques and Applications参考文献 15被引用数 5

ひとこと要約

本研究では、残留学習およびバッチ正規化を用いた5層のワイド畳み込みニューラルネットワークを採用し、頸動脈画像の血液流速（CBF）画像のノイズ除去を目的とした深層学習ベースのノイズ除去手法ASLDLDを提案する。グレイマター確率マップを正則化子として組み込み、280名の被験者を用いてトレーニングすることで、従来手法に比べ38.6％のSNR向上を達成した。また、40対の画像に代えて10対の画像ペアのみを用いることで、スキャン時間も75％短縮した。

ABSTRACT

Arterial spin labeling perfusion MRI is a noninvasive technique for measuring quantitative cerebral blood flow (CBF), but the measurement is subject to a low signal-to-noise-ratio(SNR). Various post-processing methods have been proposed to denoise ASL MRI but only provide moderate improvement. Deep learning (DL) is an emerging technique that can learn the most representative signal from data without prior modeling which can be highly complex and analytically indescribable. The purpose of this study was to assess whether the record breaking performance of DL can be translated into ASL MRI denoising. We used convolutional neural network (CNN) to build the DL ASL denosing model (DL-ASL) to inherently consider the inter-voxel correlations. To better guide DL-ASL training, we incorporated prior knowledge about ASL MRI: the structural similarity between ASL CBF map and grey matter probability map. A relatively large sample data were used to train the model which was subsequently applied to a new set of data for testing. Experimental results showed that DL-ASL achieved state-of-the-art denoising performance for ASL MRI as compared to current routine methods in terms of higher SNR, keeping CBF quantification quality while shorten the acquisition time by 75%, and automatic partial volume correction.

研究の動機と目的

• アーテリアルスピンラベルリング（ASL）灌流MRIにおける低SNRを是正すること。これは、定量的脳血液流量（CBF）測定を制限する要因である。
• 明示的な画像事前分布に依存する従来の後処理手法の限界を克服すること。これらの手法は計算が遅く、ノイズ除去効果も限定的である。
• データから画像事前分布を暗黙的に学習することで、深層学習がASL MRIにおける最先端のノイズ除去性能を達成できるかどうかを検証すること。
• 10対のコントロール-ラベルペア（40対ではなく）を用いても、画像品質を損なわずに信頼性の高いCBF推定を可能にすることで、スキャン時間を短縮すること。
• 反復的最適化に基づく手法と比較して、テスト時の計算量を著しく削減できる高速でフォワードプロパゲーション型の推論モデルを開発すること。

提案手法

• ワイドインファレンスネットワーク（WIN）アーキテクチャを基盤とする5層のワイド畳み込みニューラルネットワーク（CNN）であるASLDLDを提案。7×7フィルタと1層あたり128フィルタを採用し、空間的相関性と局所的強度分布を捉える。
• 残差学習を採用し、残差マッピング $ T(y) $ をモデル化。出力は $ x = y + T(y; \Theta) $ と定義され、深層ネットワークの安定した学習が可能となる。
• 各畳み込み層（最終層を除く）の後にバッチ正規化とReLU活性化関数を導入し、学習の加速と安定化を図る。
• グレイマター（GM）確率マップを損失関数内の正則化子として組み込み、ネットワークが解剖学的に妥当なCBFマップを指向するように誘導する。
• 損失関数を $ l(\Theta) = \frac{1}{2N}\sum_{i=1}^{N} ||y_i + T(y_i; \Theta) - x_i||^2 + \alpha ||y_i - \gamma_i|| $ と定義。ここで $ \alpha = 0.1 $ とし、予測されたCBFマップとGMマップの構造的類似性を強制する。
• ADAM最適化アルゴリズムを用いてエンドツーエンドでモデルをトレーニング。学習率は0.1、モーメンタムは0.9、重み減衰は $ 10^{-4} $、勾配クリッピングは0.1に設定。GPU上でバッチサイズ64のミニバッチを用いて実行。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのノイズ除去は、従来のASL後処理手法に比べ、SNRおよび画像品質において優れているか？
• RQ2 大規模なASL画像データセットでトレーニングされた深層学習モデルは、40対ではなく10対のコントロール-ラベルペアのみを用いても、CBFマップのノイズ除去を効果的に行えるか？
• RQ3 解剖学的事前知識（グレイマター確率マップを介して）を組み込むことで、ノイズ除去ネットワークのロバスト性と精度が向上するか？
• RQ4 提案手法の深層学習モデルは、反復的最適化に基づくノイズ除去手法と比較して、テスト時の計算量を著しく削減できるか？
• RQ5 このモデルは、低SNRのASL画像において、部分体積効果をどの程度是正し、微細な解剖的特徴を保持できるか？

主な発見

• ASLDLDは、非深層学習ベースの手法と比較して、38.6％の相対的SNR向上を達成した。p値は1.14e-4であり、統計的に有意であることが示された。
• モデルは空気-脳境界領域におけるCBF信号を効果的に回復し、部分体積効果に起因する信号損失を低減した。視覚的比較において緑色と黄色のボックス領域でのコントラスト向上が確認された。
• ASLDLDにより、10対のコントロール-ラベルペアを用いることで、従来の40対に比べ75％のスキャン時間短縮が達成された。これにより、動き関連アーチファクトも低減した。
• ASLDLDのフォワードプロパゲーション型推論アーキテクチャにより、テスト時の計算時間がほぼ即時レベルにまで短縮された。これに対して、従来手法では時間のかかる最適化プロセスが用いられていた。
• グレイマター確率マップを正則化子として組み込むことで、ノイズ除去後のCBFマップの解剖学的妥当性が向上し、構造的忠実度が向上した。
• モデルは多様な被験者に対して一貫した性能を示し、低SNR条件下でもSNRと画像テクスチャの両方で一貫した改善が確認された。