[論文レビュー] Model-Informed Machine Learning for Multi-component T2 Relaxometry

Thomas Yu, Erick Jorge Canales Rodriguez+10 more|arXiv (Cornell University)|Jul 20, 2020

Advanced MRI Techniques and Applications参考文献 18被引用数 7

ひとこと要約

本稿では、生物学的物理モデルから導出された合成MRI信号を活用して、マルチエコーT₂ MRデータから直接マルチコンponent T₂分布を再構築する、Model-Informed Machine Learning (MIML) という深層学習手法を提案する。MIMLは、パラメトリックおよびノンパラメトリック手法と比較して優れた精度、ノイズ耐性、計算速度を達成しており、計算速度は22～4980倍速い。また、健常者および多発性側索硬化症（MS）被験者において、解剖学的整合性が高く、病変対比能の優れたミエリン水分割合（MWF）マップを生成する。

ABSTRACT

Recovering the T2 distribution from multi-echo T2 magnetic resonance (MR) signals is challenging but has high potential as it provides biomarkers characterizing the tissue micro-structure, such as the myelin water fraction (MWF). In this work, we propose to combine machine learning and aspects of parametric (fitting from the MRI signal using biophysical models) and non-parametric (model-free fitting of the T2 distribution from the signal) approaches to T2 relaxometry in brain tissue by using a multi-layer perceptron (MLP) for the distribution reconstruction. For training our network, we construct an extensive synthetic dataset derived from biophysical models in order to constrain the outputs with extit{a priori} knowledge of extit{in vivo} distributions. The proposed approach, called Model-Informed Machine Learning (MIML), takes as input the MR signal and directly outputs the associated T2 distribution. We evaluate MIML in comparison to non-parametric and parametric approaches on synthetic data, an ex vivo scan, and high-resolution scans of healthy subjects and a subject with Multiple Sclerosis. In synthetic data, MIML provides more accurate and noise-robust distributions. In real data, MWF maps derived from MIML exhibit the greatest conformity to anatomical scans, have the highest correlation to a histological map of myelin volume, and the best unambiguous lesion visualization and localization, with superior contrast between lesions and normal appearing tissue. In whole-brain analysis, MIML is 22 to 4980 times faster than non-parametric and parametric methods, respectively.

研究の動機と目的

• 脳組織におけるノイズの多い現実世界のMRI信号から、正確にマルチコンponent T₂分布を再構築する課題に対処すること。
• 従来のパラメトリックおよびノンパラメトリックT₂リラクセオメトリー手法の限界、特にノイズに敏感であることや計算コストの高さを克服すること。
• 組織ミクロ構造に関する事前知識を組み込んだ機械学習フレームワークを構築し、分布再構築の精度を向上させること。
• ミエリン水分割合（MWF）などの定量的神経画像バイオマーカーのための、高速で頑健かつ解剖学的に妥当なT₂分布推定を可能にすること。
• 健常者および多発性側索硬化症被験者からの合成データ、除菌後データ、および生体内スキャンを含む多様なデータタイプで、手法の妥当性を検証すること。

提案手法

• マルチエコーT₂ MRI信号を直接T₂分布にマッピングするための多層パーセプトロン（MLP）ニューラルネットワークを訓練する。
• トレーニングデータセットは、脳組織の生物学的物理モデルを用いて合成され、非理想なリファォークスパルスを考慮したEPG形式による非理想なリラクゼーション挙動と信号物理学を反映している。
• 特にミエリン水分（10–40 ms）および細胞内・細胞外水分（50–120 ms）といった明確なコンポーネントの存在を反映した、事前知識に基づく制約がネットワークに課される。
• ノイズ耐性を高めるために、さまざまなSNR（信号対雑音比）を有する大規模な合成データセット上で、エンドツーエンドでモデルを訓練する。
• 本手法は、取得シーケンスの種別に依存せず、マルチエコー・スピンエコーおよび3Dグラデーション・スピンエコーの両方で検証された。
• 空間正則化を施さないボクセル単位の再構築を実行するが、将来的な領域正則化への拡張についても議論されている。

実験結果

リサーチクエスチョン

• RQ1 生物学的物理的に現実的な合成MRIデータで訓練された深層ニューラルネットワークは、標準的なパラメトリックおよびノンパラメトリック手法を上回り、マルチコンponent T₂分布の再構築性能を発揮できるか？
• RQ2 本手法が、さまざまなSNRレベルにおいて、精度およびノイズ耐性の観点でどの程度の性能を示すか？
• RQ3 本手法から得られるMWFマップは、解剖学的および組織学的基準とどの程度整合しているか？
• RQ4 多発性側索硬化症患者において、病変と正常に見える白質組織との間で、病変可視化および対比能はどのように向上しているか？
• RQ5 本手法は、従来のT₂リラクセオメトリー技術と比較して、どの程度の計算速度向上を達成しているか？

主な発見

• 合成データでは、MIMLがノンパラメトリックおよびパラメトリック手法を上回り、より正確でノイズ耐性に優れたT₂分布を生成した。
• 除菌後スキャンでは、特に高SNR条件下でMIML再構築がより現実的であり、NNLSおよび他の手法を上回った。
• 健常者の生体内被験者において、MIMLから得られたMWFマップは、T1強調画像との間で最も高い整合性を示した。
• MIMLから得られたMWFマップは、ミエリン体積の組織学的マップと相関係数r = 0.87で強く相関し、他の手法を上回った。
• 多発性側索硬化症患者において、MIMLは病変の周囲構造との明確な区別と、病変と正常に見える白質との間の高いコントラストを実現し、優れた病変可視化を達成した。
• 全脳解析において、MIMLはノンパラメトリックおよびパラメトリック手法と比較して、それぞれ22～4980倍の高速化を達成した。