[論文レビュー] MRI Tissue Magnetism Quantification through Total Field Inversion with Deep Neural Networks

Juan Liu, Kevin M. Koch|arXiv (Cornell University)|Apr 11, 2019

Advanced MRI Techniques and Applications参考文献 36被引用数 4

ひとこと要約

本稿では、磁気共役シミュレーションを用いた物理情報付きの合成トレーニングデータを活用し、MRI位相データを直接反転して組織の磁化感受率を推定する、深層学習ベースの1段階型定量的感受率マッピング（QSM）手法であるTFInetを提案する。ランダムな摂動を加えた磁気的静的シミュレーションで訓練されたTFInetは、既存のTFIおよび複数段階型QSM手法に比べ、精度とアーチファクト抑制の両面で優れており、追加スキャンが不要な標準的な臨床的SWIデータからリアルタイムかつ高精細なQSM再構成を実現し、ストライキングやシャドーイングアーチファクトを最小限に抑える。

ABSTRACT

Quantitative susceptibility mapping (QSM) utilizes MRI signal phase to infer estimates of local tissue magnetism (magnetic susceptibility), which has been shown useful to provide novel image contrast and as biomarkers of abnormal tissue. QSM requires addressing a challenging post-processing problem: filtering of image phase estimates and inversion of the phase to susceptibility relationship. A wide variety of quantification errors, robustness limitations, and artifacts plague QSM algorithms. To overcome these limitations, a robust deep-learning-based single-step QSM reconstruction approach is proposed and demonstrated. This neural network was trained using magnetostatic physics simulations based on in-vivo data sources. Random perturbations were added to the physics simulations to provide sufficient input-label pairs for the training purposes. The network was quantitatively tested using gold-standard in-silico labeled datasets against established QSM total field inversion approaches. In addition, the algorithm was applied to susceptibility-weighted imaging (SWI) data collected on a cohort of clinical subjects with brain hemmhorage. When quantitatively compared against gold-standard in-silico labels, the proposed algorithm outperformed the existing comparable approaches. High quality QSM were consistently estimated from clinical susceptibility-weighted data on 100 subjects without any noticeable inversion failures. The proposed approach was able to robustly generate high quality QSM with improved accuracy in in-silico gold-standard experiments. QSM produced by the proposed method can be generated in real-time on existing MRI scanner platforms and provide enhanced visualization and quantification of magnetism-based tissue contrasts.

研究の動機と目的

• 既存のQSM手法における正則化パラメータのチューニング、計算負荷、バックグラウンド磁場除去に起因するアーチファクトの制限を克服すること。
• 2段階処理を回避し、誤差伝搬を伴わない、ロバストな1段階型全磁場逆問題（TFI）アプローチを構築すること。
• 追加スキャンが不要な標準的な臨床的感受率重視画像（SWI）データから直接、高品質なQSM再構成を可能にすること。
• 脳内出血など感受率の大きな変動を示す領域における感受率推定の精度と一貫性を向上させること。
• 脳内出血や石灰化を含む多様な病変を有する実際の患者データに本手法を適用し、臨床的有用性を示すこと。

提案手法

• 3Dエンコーダ・デコーダ型U-Netアーキテクチャにゲート付き畳み込み、拡張畳み込み、残差接続、非局所ブロックを組み合わせた3D感受率マッピング用ネットワークを設計した。
• 体内解剖モデルを用いた磁気的静的物理シミュレーションにより生成された合成MRI位相データを用いてネットワークをトレーニングした。
• トレーニング分布の多様性と一般化性能を向上させるために、シミュレートされた位相データにランダムな摂動を適用した。
• ネットワークはエンドツーエンドの全磁場逆問題を実行し、中間のバックグラウンド磁場除去を経由せずに、生位相画像を直接感受率マップに変換する。
• 3Dボリュームデータにおけるトレーニングの安定化と収束性の向上を図るため、L2損失とバッチ正則化を採用した。
• ゴールドスタンダードのインシリコデータセットを用いた妥当性評価と、脳内出血を有する被験者100例分の臨床的SWIスキャンへの適用を実施した。

実験結果

リサーチクエスチョン

• RQ1 物理シミュレーションデータでトレーニングされたディープラーニングモデルは、確立されたTFIおよび複数段階型QSM手法に比べ、優れたQSM再構成精度を達成できるか？
• RQ2 提案された1段階型TFIアプローチは、手動による正則化パrameterチューニングの必要性を排除し、計算時間を短縮できるか？
• RQ3 本モデルは、低解像度または非等方的臨床的SWIデータに対しても性能劣化を伴わずに一般化可能か？
• RQ4 微小出血巣や石灰化など、複雑な感受率源を有する領域において、ストライキングおよびシャドーイングアーチファクトをどれほど効果的に抑制できるか？
• RQ5 臨床的スキャンにおいて、微細な解剖的構造を保持し、ジアマグネティック（例：石灰化）とパラマグネティック（例：出血）病変を正確に区別できるか？

主な発見

• 100件の合成テストデータセットにおいて、TFInetはRMSE（28.5±3.1％）およびHFEN（26.5±2.4％）を最低水準に抑え、SS-TV-QSM、LN-QSM、PDF+MEDI、RESHARP+TKDに顕著に優れた。
• 本手法は0.990±0.002という高いSSIMを達成し、ゴールドスタンダード感受率マップとほぼ完全に一致する構造的類似性を示した。
• 臨床的スキャンにおいて、100名の脳内出血被験者全例において、顕著な逆問題失敗を示さずにQSMマップを再構成した。
• TFInetは、すべての解剖的断面でストライキングおよびシャドーイングアーチファクトを効果的に抑制した。特に微小出血巣や石灰化など、感受率源が複雑な領域で顕著であった。
• 本手法により、QSM上での低信号（ジアマグネティック石灰化）と高信号（パラマグネティック出血）の明確な区別が可能となり、SWIの病変特徴付けにおける限界を克服した。
• TFInetが生成したQSMマップは微細なマイクロ構造を保持しており、他の手法がぼやけや歪みを示すのとは異なり、ズーム表示でも目に見えるアーチファクトが認められなかった。