[論文レビュー] Gadolinium dose reduction for brain MRI using conditional deep learning

Thomas Pinetz, Erich Kobler+8 more|arXiv (Cornell University)|Mar 6, 2024

Medical Imaging Techniques and ApplicationsMedicine被引用数 3

ひとこと要約

本論文は、ノイズのない標準的投与量の差分画像を教師として用いることで、アーチファクトの発生を回避しながら、低投与量差分画像からのコントラスト信号強調を学習する条件付きディープラーニングフレームワークを提案する。この手法は、画像の再構成ではなくコントラスト信号の強調に焦点を当てることで、優れた病変可視性を実現し、標準投与量を超えるコントラストを有する合成画像の生成を可能にし、定量的および定性的な評価において最先端の手法を上回る性能を示した。

ABSTRACT

Recently, deep learning (DL)-based methods have been proposed for the computational reduction of gadolinium-based contrast agents (GBCAs) to mitigate adverse side effects while preserving diagnostic value. Currently, the two main challenges for these approaches are the accurate prediction of contrast enhancement and the synthesis of realistic images. In this work, we address both challenges by utilizing the contrast signal encoded in the subtraction images of pre-contrast and post-contrast image pairs. To avoid the synthesis of any noise or artifacts and solely focus on contrast signal extraction and enhancement from low-dose subtraction images, we train our DL model using noise-free standard-dose subtraction images as targets. As a result, our model predicts the contrast enhancement signal only; thereby enabling synthesization of images beyond the standard dose. Furthermore, we adapt the embedding idea of recent diffusion-based models to condition our model on physical parameters affecting the contrast enhancement behavior. We demonstrate the effectiveness of our approach on synthetic and real datasets using various scanners, field strengths, and contrast agents.

研究の動機と目的

• 脳MRIにおけるガドリニウムベースの対比剤（GBCA）投与量を低減する臨床的課題に対処すること。
• 既存のディープラーニング手法が全体の画像を合成するため、アーチファクトや病変の「ホラシネーション」を引き起こすという限界を克服すること。
• 画像合成からコントラスト信号強調を分離し、差分画像に焦点を当てることで、リアルさと診断的正確性を向上させること。
• 磁気共鳴画像法の物理的取得パラメータ（例：磁束密度、投与量、リラクシビティ）を条件として用いることで、多様な取得設定における汎用性と正確性を向上させること。
• 低投与量画像に予測されたコントラスト信号を加えることで、標準投与量を超えるコントラスト強化を有する画像の生成を可能にすること。

提案手法

• 本手法は、事前対比画像と低投与量対比強調MRIペアを用いて差分画像を計算し、ノイズからコントラスト信号を分離する。
• 条件付き畳み込みニューラルネットワーク（CNN）は、標準投与量のコントラスト信号を予測するように学習され、標準投与量スキャンから得られるノイズ低減済みのターゲット差分画像とのずれを最小化する。
• ターゲットコントラスト信号は、標準投与量差分画像に統計モデルを適用することでノイズを低減しながらも、真のコントラスト強調を保持することによって得られる。
• 物理的パラメータ（例：磁束密度、投与量、リラクシビティ）は、学習された埋め込みを介してモデルに条件付けられ、多様な取得環境での正確な予測を可能にする。
• 推論時、予測されたコントラスト信号は、事前対比画像または低投与量画像に加算され、それぞれ標準投与量または超強化画像が合成される。
• 本手法は、画像全体の合成ではなくコントラスト信号予測に焦点を当てることで、生成アーチファクトを回避する。

Figure 1: Visualization of our dose reduction and contrast enhancement DL approach. The inference process is illustrated at the top using solid arrows, while the additional processing steps for training are shown at the bottom. In both cases, pairs of pre-contrast $\mathbf{x}_{\mathrm{PC}}$ and cont

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、アーチファクトを発生させることなく、低投与量差分画像から真のコントラスト信号を効果的に抽出・強調できるか？
• RQ2 磁束密度、投与量、リラクシビティなどの物理的取得パラメータをモデルに条件付けた場合、コントラスト信号予測の正確性と汎用性が向上するか？
• RQ3 予測されたコントラスト信号を用いて、標準投与量を超えるコントラスト強化を有する画像を生成でき、病変可視性が向上するか？
• RQ4 定量的指標（PSNR、コントラスト強化）および定性的な画像品質について、合成および実際の低投与量データ上での最先端手法と比較して、本モデルの性能はどの程度か？
• RQ5 モデルの埋め込みベクトルは、MRI取得の背後にある物理的パラメータをどの程度反映しているか？

主な発見

• 本手法は、合成データ（SLD-METS）および実際の低投与量データ（RLD）の両方において、脳領域および病変領域で最高のPSNRスコアを達成し、ベースラインと比較して統計的に有意な改善を示した。
• RLDデータセットでは、病変領域のPSNRにおいて、競合手法を顕著に上回り、実世界の取得ばらつきに対して高いロバスト性を示した。
• 本手法は、表3に示す平均および最大コントラスト強化スコアにより、標準投与量を超える相対的コントラスト強化を有する画像を生成した。
• 主成分分析（PCA）およびt分布確率的近似（t-SNE）を用いた埋め込み解析から、モデルの潜在空間が物理的パラメータを符号化していることが判明した：磁束密度と投与量は線形的トレンドを示し、リラクシビティとノイズレベルは明確に分離されたクラスタを形成した。
• 定性的な評価では、PSNRが最も高くなかったケースでも、本手法は競合手法よりも病変の詳細をよりよく保持していたことから、診断的関連性が向上していることが示された。
• ノイズのない標準投与量差分画像をターゲットに用いることで、アーチファクトのないコントラスト信号予測が可能となり、生成画像合成で一般的な「ホラシネーション」問題を回避できた。

Figure 2: Illustration of the preprocessing steps for extracting the initial low-dose subtraction image $\tilde{\mathbf{z}}_{\mathrm{LD}}$ from the pre-contrast $\mathbf{x}_{\mathrm{PC}}$ and low-dose $\mathbf{x}_{\mathrm{LD}}$ image. The top images in the steps show the transformed low-dose image w