[論文レビュー] Model-based Synthetic Data-driven Learning (MOST-DL): Application in Single-shot T2 Mapping with Severe Head Motion Using Overlapping-echo Acquisition

Qinqin Yang, Yanhong Lin+13 more|arXiv (Cornell University)|Jul 30, 2021

Advanced MRI Techniques and Applications被引用数 8

ひとこと要約

本論文では、BlochシミュレーションとMRI物理学モデルを組み合わせることで、深層学習ネットワークのトレーニングに適した現実的な合成MRIデータを生成するモデルベースの合成データ駆動型学習フレームワーク、MOST-DLを提案する。このフレームワークは、キャリブレーションフリーな並列再構成とショット内での動き補正を統合することで、重度の頭部運動下でも動きに強い1ショットT2マッピングを実現し、生体下でのヒト脳スキャンにおいてゴースト化やアーチファクトを顕著に低減する。

ABSTRACT

Use of synthetic data has provided a potential solution for addressing unavailable or insufficient training samples in deep learning-based magnetic resonance imaging (MRI). However, the challenge brought by domain gap between synthetic and real data is usually encountered, especially under complex experimental conditions. In this study, by combining Bloch simulation and general MRI models, we propose a framework for addressing the lack of training data in supervised learning scenarios, termed MOST-DL. A challenging application is demonstrated to verify the proposed framework and achieve motion-robust T2 mapping using single-shot overlapping-echo acquisition. We decompose the process into two main steps: (1) calibrationless parallel reconstruction for ultra-fast pulse sequence and (2) intra-shot motion correction for T2 mapping. To bridge the domain gap, realistic textures from a public database and various imperfection simulations were explored. The neural network was first trained with pure synthetic data and then evaluated with in vivo human brain. Both simulation and in vivo experiments show that the MOST-DL method significantly reduces ghosting and motion artifacts in T2 maps in the presence of unpredictable subject movement and has the potential to be applied to motion-prone patients in the clinic.

研究の動機と目的

• 深層学習ベースのMRI再構成において、実際のトレーニングデータが不足または入手不可能な問題に対処する。
• 重度の頭部運動を含む複雑で臨床的に重要な条件下において、合成データと実データの間のドメインギャップを克服する。
• 予測不可能な被験者運動が生じる状況下でも、単一ショットオーバーラップエコーMRIシーケンスにおける頑健なT2マッピングを可能にする。
• 物理学ベースのモデリングと深層学習を統合することで、一般化性能と臨床応用性を向上させるフレームワークを開発する。

提案手法

• Bloッチ方程式のシミュレーションと一般的なMRIシステムモデルを組み合わせて、現実的な取得条件下でのk空間データをシミュレートすることで、合成MRIデータを生成する。
• 公的MRIデータベースから得た現実的な組織テクスチャを統合し、合成データの解剖学的忠実度を向上させる。
• 勾配遅延、オフレゾンランス効果、ノイズといった一般的なスキャナの不具合をシミュレートすることで、ドメインの現実性を向上させる。
• 実際のトレーニングペアを一切必要とせず、純粋な合成データ上でエンドツーエンドに深層ニューラルネットワークをトレーニングする。
• 2段階のパイプラインを実装する：(1) 超高速取得のためのキャリブレーションフリーな並列イメージング再構成、(2) T2マッピングのためのショット内動き補正。
• 合成データを活用して動きに依存しない特徴を学習させ、スキャン中の予測不可能な頭部運動に対しても耐性を発揮する。

実験結果

リサーチクエスチョン

• RQ1 モデルベースの合成データ生成フレームワークは、重度の頭部運動が生じる状況下でも、合成データと実データの間のドメインギャップを効果的に埋め合わせることができるか？
• RQ2 完全に合成データのみでトレーニングされた深層学習モデルは、動きによる汚損下のT2マッピングにおいて、実データでトレーニングされたモデルと同等の性能を達成できるか、その程度はいかほどか？
• RQ3 提案されたMOST-DLフレームワークは、単一ショットオーバーラップエコーT2マッピングにおいてゴースト化や動きアーチファクトをどれほど効果的に低減できるか？
• RQ4 実データを必要とせずに、動きに敏感な被験者を含む臨床的関連シナリオにこのフレームワークを適用できるか？
• RQ5 現実的な組織テクスチャとスキャナの不具合シミュレーションは、トレーニング済みネットワークの一般化性能向上にどのような役割を果たすか？

主な発見

• MOST-DLフレームワークは、単一ショット取得中の重度で予測不能な頭部運動下でも、T2マップにおけるゴースト化や動きアーチファクトを顕著に低減することが示された。
• 生体下でのヒト脳スキャンにおいて、合成データのみでトレーニングされたモデルが、実データでトレーニングされたベースラインと同等の診断品質のT2マップを達成した。
• Blochシミュレーション、現実的な組織テクスチャ、不具合モデリングの組み合わせが、合成データと実データの間のドメインギャップを顕著に低減した。
• 追加のキャリブレーションスキャンや実データを必要とせず、動きに強いT2マッピングを実現でき、臨床的実装可能性を高めた。
• シミュレーションおよび生体下の結果から、運動誘発の位相および信号の不一致に対しても、本フレームワークがT2定量測定の高精度を維持していることが確認された。
• 本フレームワークは、動きに敏感な被験者集団へも一般化可能であり、日常的なMRIプロトコルにおける臨床的展開の強い可能性を示唆している。