[論文レビュー] Meta-QSM: An Image-Resolution-Arbitrary Network for QSM Reconstruction

Juan Liu, Kevin M. Koch|arXiv (Cornell University)|Aug 1, 2019

Advanced MRI Techniques and Applications参考文献 18被引用数 5

ひとこと要約

Meta-QSMは、入力画像解像度に応じてメタ予測された畳み込みカーネル重みを用いて、任意の画像解像度で定量的感受率マッピング（QSM）を再構築する1つのディーブラーニングモデルを提案する。入力解像度に応じてフィルタ重みを条件づけることで、各解像度ごとの再訓練の必要性を排除し、合成データおよび臨床データにおいて最先端の性能を達成し、アーチファクト抑制とマイクロ構造の保存に優れた効果を示した。

ABSTRACT

Quantitative Susceptibility Mapping (QSM) can estimate the underlying tissue magnetic susceptibility and reveal pathology. Current deep-learning-based approaches to solve the QSM inverse problem are restricted on fixed image resolution. They trained a specific model for each image resolution which is inefficient in computing. In this work, we proposed a novel method called Meta-QSM to firstly solve QSM reconstruction of arbitrary image resolution with a single model. In Meta-QSM, weight prediction was used to predict the weights of kernels by taking the image resolution as input. The proposed method was evaluated on synthetic data and clinical data with comparison to existing QSM reconstruction methods. The experimental results showed the Meta-QSM can effectively reconstruct susceptibility maps with different image resolution using one neural network training.

研究の動機と目的

• 現在のディーブラーニングベースのQSM手法が、各画像解像度ごとに別々のモデルを必要としている非効率性を是正すること。
• 再トレーニングを必要とせず、任意の入力解像度でQSMを再構築できる統合型ニューラルネットワークの開発。
• 複数の解像度特化モデルの保存や再トレーニングの必要性を排除することで、臨床応用の実用性を向上させること。
• 微細な組織マイクロ構造の保存とストリークアーチファクトの抑制を高めることで、再構築品質を向上させること。

提案手法

• 3次元U-Netベースのエンコーダーデコーダーネットワークが、入力画像解像度に応じて動的にフィルタ重みを生成する重み予測畳み込み層（WP-Conv）を用いる。
• WP-Conv層は、各解像度入力のカーネル重みとバイアスを予測する全結合層および活性化サブネットワークから構成される。
• データオーグメンテーション（弾性歪み、幾何形状、コントラスト変動を含む）を用いてCOSMOS QSMデータセットから生成された合成データを用いてモデルを訓練する。
• 解像度が重み予測ネットワークへの入力として明示的に符号化され、解像度一般化が可能になっている。
• 損失関数は、予測された感受率マップと真値マップの間のL1損失を用い、WP-Conv層にはL2正則化を適用する。
• トレーニングにはRMSpropを用い、学習率を段階的に減少させる。30,000個の合成データサンプルを9:1の割合で訓練・検証に分割して使用する。

実験結果

リサーチクエスチョン

• RQ1 再トレーニングを伴わずに、任意の画像解像度でQSMを再構築できる1つのディーブラーニングモデルを構築できるか？
• RQ2 固定解像度モデルと比較して、メタ学習による重み予測は、異なる解像度間での一般化性能をどのように向上させるか？
• RQ3 Meta-QSMは臨床的QSMデータにおいて、ストリークアーチファクトをどれほど効果的に抑制し、マイクロ構造をどれほど保存するか？
• RQ4 従来手法および最先端手法と比較して、Meta-QSMは定量的および定性的にどのように優れているか？
• RQ5 病変特徴（例：出血、石灰化）を含む合成データの使用は、実臨床症例における性能向上に寄与するか？

主な発見

• 合成データにおいて、Meta-QSMは最小のRMSE（1.11±3.77）、HFEN（16.75±3.84）、最大のSSIM（0.960±0.013）を達成し、TKD、iLSQR、MEDIを上回った。
• 0.76×0.76×3.0 mm³解像度において、Meta-QSMはSSIM（0.984±0.007）が高く、RMSE（18.87±2.00）がMesa-QSM（25.34±1.74）を下回った。
• 0.5×0.5×2.0 mm³解像度において、Mesa-QSMはRMSE（25.13±1.75）でMeta-QSM（28.33±1.70）をわずかに上回ったが、これはトレーニングデータの分布不一致による可能性がある。
• 3T研究および臨床的SWIデータを用いた定性的評価では、Meta-QSMがストリークアーチファクトを効果的に抑制し、特に出血性および石灰化領域でマイクロ構造を良好に保持していた。
• 特に複雑な臨床症例においても、TKD、iLSQR、MEDIと比較してぼやけやシェーディングアーチファクトが低減された高品質なQSM画像を生成した。
• 本モデルは、脳卒中後、神経fibromatosis、手術計画など多様な臨床状況においても、一貫したアーチファクト抑制と構造的忠実性を示し、高いロバストネスを示した。