[論文レビュー] Game of Learning Bloch Equation Simulations for MR Fingerprinting

Mingrui Yang, Yun Jiang+3 more|arXiv (Cornell University)|Apr 5, 2020

Numerical methods in inverse problems参考文献 20被引用数 11

ひとこと要約

本論文では、変更を加えた生成的対抗ネットワークを用いてブロッホ方程式の信号を学習することで、磁気共鳴分光法（MRF）の辞書生成を高速化する深層生成モデル、GAN-MRFを提案する。粗いMRF分光法のデータで訓練されたモデルは、1秒未塔の時間で正確で高精度の分光法を生成でき、辞書生成時間を数時間から1秒未塔に短縮する。これにより、リアルタイムかつ即時のMRFマッピングとシーケンス最適化が可能となり、基準となるブロッホシミュレーションおよび生体内データと強い一致を示す。

ABSTRACT

Purpose: This work proposes a novel approach to efficiently generate MR fingerprints for MR fingerprinting (MRF) problems based on the unsupervised deep learning model generative adversarial networks (GAN). Methods: The GAN model is adopted and modified for better convergence and performance, resulting in an MRF specific model named GAN-MRF. The GAN-MRF model is trained, validated, and tested using different MRF fingerprints simulated from the Bloch equations with certain MRF sequence. The performance and robustness of the model are further tested by using in vivo data collected on a 3 Tesla scanner from a healthy volunteer together with MRF dictionaries with different sizes. T1, T2 maps are generated and compared quantitatively. Results: The validation and testing curves for the GAN-MRF model show no evidence of high bias or high variance problems. The sample MRF fingerprints generated from the trained GAN-MRF model agree well with the benchmark fingerprints simulated from the Bloch equations. The in vivo T1, T2 maps generated from the GAN-MRF fingerprints are in good agreement with those generated from the Bloch simulated fingerprints, showing good performance and robustness of the proposed GAN-MRF model. Moreover, the MRF dictionary generation time is reduced from hours to sub-second for the testing dictionary. Conclusion: The GAN-MRF model enables a fast and accurate generation of the MRF fingerprints. It significantly reduces the MRF dictionary generation process and opens the door for real-time applications and sequence optimization problems.

研究の動機と目的

• ブロッホ方程式シミュレーションを用いた大規模なMRF分光法辞書の生成に要する計算時間が非常に長いため、これを解決すること。
• 精度を維持しながら、さまざまな組織パラメータとシーケンス設定に適応できる、高速でスケーラブルかつ頑健なMRF分光法生成手法を開発すること。
• 心拍数が変動するような動的状況（例：心筋画像）においても、リアルタイムでの臨床的応用を可能にする、即時のMRF分光法辞書生成を実現すること。
• 忠実度を損なわず、辞書作成の計算コストとメモリ使用量を低減することで、MRFパターンマッチングの性能を向上させること。
• 迅速でデータ駆動型のシーケンスパラメータ探索を可能にすることで、MRFシーケンス最適化の新たな可能性を開くこと。

提案手法

• 変更を加えた生成的対抗ネットワーク（GAN）を用い、組織パラメータ（T1, T2）およびシーケンスパラメータからMRF分光法へのマッピングを学習することで、計算コストの高いブロッホ方程式シミュレーションを置き換える。
• GAN-MRFモデルは、ブロッホシミュレーションで生成された粗いMRF辞書で訓練され、その後、より細かいパラメータグリッドへの一般化を図るためにファインチューニングされる。
• 生成器ネットワークは、学習された行列積と非線形活性化関数を用いて、高速な推論が可能な合成MRF分光法を生成する。
• モデルの評価には、3Tマシンで得られた生体内脳スキャンデータを用い、GAN-MRF分光法から得られたT1およびT2マップと、ブロッホシミュレーション分光法から得られたマップを比較した。
• 本アプローチは、さまざまな辞書サイズに対して評価され、分布シフト（特に新しいT1/T2範囲への外挿）に対しても頑健であることが示された。
• 本手法はスケーラブルであり、特異値分解（SVD）などの低ランク近似技術と組み合わせることで、複雑な物理モデルにおけるトレーニングコストをさらに低減できる。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、ブロッホ方程式でシミュレートされたMRF分光法を正確に学習し再現できるか？
• RQ2 GAN-MRFモデルは、トレーニング時に見られなかったより細かいパラメータグリッドや新しい組織パラメータ範囲にも一般化できるか？
• RQ3 GAN-MRFで生成されたMRF分光法は、標準的なブロッホシミュレーションから得られたものと同等のT1およびT2マップを生成できるか？
• RQ4 GAN-MRFモデルは、分光法辞書の生成時間を数時間から1秒未塔に短縮できるか？
• RQ5 本モデルは、心拍数が変動するような動的臨床状況（例：心筋MRI）において、即時のMRF分光法辞書生成を可能にするか？

主な発見

• GAN-MRFモデルは、ブロッホ方程式でシミュレートされた基準分光法と、視覚的および定量的に強い一致を示すMRF分光法を生成した。
• 検証およびテスト曲線から、高いバイアスや高いバリアンスの兆候が確認されず、モデルの頑健性および一般化能力が裏付けられた。
• 生体内データから得られたGAN-MRF分光法から生成されたT1およびT2マップは、ブロッホシミュレーション分光法から得られたマップと非常に良好に一致しており、臨床的精度が検証された。
• 分光法辞書の生成時間が数時間から1秒未塔に短縮され、リアルタイムかつ即時のMRF分光法生成が可能になった。
• モデルは、より細かいパラメータグリッドおよび新しいT1/T2範囲に対しても成功裏に一般化され、トレーニング分布を超えた外挿能力を示した。
• 本アプローチはスケーラブルであり、低ランク手法と組み合わせることで、複雑なMRFシーケンスにおけるメモリ使用量およびトレーニングコストをさらに低減できる。