[論文レビュー] MoDL-QSM: Model-based Deep Learning for Quantitative Susceptibility Mapping

Ruimin Feng, Jiayi Zhao+9 more|arXiv (Cornell University)|Jan 21, 2021

Advanced MRI Techniques and Applications参考文献 18被引用数 4

ひとこと要約

MoDL-QSM は、感受率テンソル画像法（STI）の物理モデルと畳み込みニューラルネットワークを統合したモデルベースのディープラーニングフレームワークを提案する。この手法により、定量的感受率マッピング（QSM）の精度が向上し、スティッキングアーティファクトが低減される。STIから得られる位相成分（ki13、ki23、ki33）を教師ラベルとして用いることで、最先端のディープラーニングQSM手法を上回る性能が、RMSE、SSIM、HFENの指標によって検証された。

ABSTRACT

Quantitative susceptibility mapping (QSM) has demonstrated great potential in quantifying tissue susceptibility in various brain diseases. However, the intrinsic ill-posed inverse problem relating the tissue phase to the underlying susceptibility distribution affects the accuracy for quantifying tissue susceptibility. Recently, deep learning has shown promising results to improve accuracy by reducing the streaking artifacts. However, there exists a mismatch between the observed phase and the theoretical forward phase estimated by the susceptibility label. In this study, we proposed a model-based deep learning architecture that followed the STI (susceptibility tensor imaging) physical model, referred to as MoDL-QSM. Specifically, MoDL-QSM accounts for the relationship between STI-derived phase contrast induced by the susceptibility tensor terms (ki13,ki23,ki33) and the acquired single-orientation phase. The convolution neural networks are embedded into the physical model to learn a regularization term containing prior information. ki33 and phase induced by ki13 and ki23 terms were used as the labels for network training. Quantitative evaluation metrics (RSME, SSIM, and HFEN) were compared with recently developed deep learning QSM methods. The results showed that MoDL-QSM achieved superior performance, demonstrating its potential for future applications.

研究の動機と目的

• QSMにおける不適切に定式化された逆問題が引き起こすスティッキングアーティファクトと、組織感受率の定量的評価精度の低下を是正すること。
• 観測された位相データと理論的前方位相予測との間のギャップを、ディープラーニングに物理モデルを組み込むことで埋める。
• STIから得られる位相成分を監視ラベルとして用いることで、物理ベースのフレームワーク内に畳み込みニューラルネットワークを統合し、QSM再構成精度を向上させること。
• 学習された正則化を通じて事前物理知識を活用する手法を開発し、感受率マッピングにおけるロバスト性と精度を向上させること。

提案手法

• 本手法は、感受率テンソル画像法（STI）モデルをディープラーニングフレームワークに統合し、感受率テンソル項（ki13、ki23、ki33）と取得された単一方位位相との間の関係を明示的にモデル化する。
• 畳み込みニューラルネットワークを物理モデル内に組み込み、組織感受率分布に関する事前知識を符号化する正則化項を学習する。
• ネットワークは、ki33とki13およびki23からの位相寄与をラベルとして用いて訓練され、位相から感受率へのマッピングを正確に学習できるようにする。
• 訓練および推論の両段階でSTI前方モデルを強制することで、物理的整合性を維持するアーキテクチャが設計されている。
• STIモデルの微分可能実装を用いることで、勾配ベース最適化によるエンドツーエンド学習が可能になる。
• 定量的評価には、最先端のディープラーニングQSM手法と比較するためのRMSE、SSIM、HFEN指標が用いられる。

実験結果

リサーチクエスチョン

• RQ1 STI物理モデルをディープラーニングフレームワークに統合することで、定量的感受率マッピングの精度が向上するか？
• RQ2 STIから得られる位相成分（ki13、ki23、ki33）を教師ラベルとして用いることで、標準的な位相データと比較して再構成品質にどのような影響を与えるか？
• RQ3 モデルベースのディープラーニングは、純粋にデータ駆動のディープラーニング手法と比較して、QSMにおけるスティッキングアーティファクトをどの程度低減できるか？
• RQ4 ネットワークアーキテクチャに物理的制約を埋め込むことで、よりロバストで正確な感受率マップが得られるか？

主な発見

• MoDL-QSMは定量的評価において優れた性能を示し、最近のディープラーニングベースのQSM手法と比較して、RMSEが低く、SSIMが高く、HFENが低減された。
• STI物理モデルとディープラーニングの統合により、再構成された感受率マップにおけるスティッキングアーティファクトが顕著に低減された。
• 物理的事前知識を学習された正則化を通じて効果的に活用したことで、既存のディープラーニング手法を上回る性能を発揮した。
• ki33とki13およびki23からの位相寄与をラベルとして用いた学習により、ネットワークはより正確で物理的に整合性のあるマッピングを学習できた。