[論文レビュー] MRSNet: Metabolite Quantification from Edited Magnetic Resonance Spectra With Convolutional Neural Networks

Max Chandler, Christopher W. Davies‐Jenkins+2 more|arXiv (Cornell University)|Sep 6, 2019

Advanced MRI Techniques and Applications参考文献 51被引用数 11

ひとこと要約

MRSNet は、MRS における代謝物定量を向上させる 2次元畳み込みニューラルネットワークであり、編集スペクトルから相対濃度を直接回帰することで、3T での MEGA-PRESS を用いた実験的フィジカルフィンガー印刷のベンチマークで、LCModel や jMRUI などの最先端手法よりも高い精度と再現性を達成した。

ABSTRACT

Quantification of metabolites from magnetic resonance spectra (MRS) has many applications in medicine and psychology, but remains a challenging task despite considerable research efforts. For example, the neurotransmitter $γ$-aminobutyric acid (GABA), present in very low concentration in vivo, regulates inhibitory neurotransmission in the brain and is involved in several processes outside the brain. Reliable quantification is required to determine its role in various physiological and pathological conditions. We present a novel approach to quantification of metabolites from MRS with convolutional neural networks --- MRSNet. MRSNet is trained to perform the multi-class regression problem of identifying relative metabolite concentrations from given input spectra, focusing specifically on the quantification of GABA, which is particularly difficult to resolve. Typically it can only be detected at all using special editing acquisition sequences such as MEGA-PRESS. A large range of network structures, data representations and automatic processing methods are investigated. Results are benchmarked using experimental datasets from test objects of known composition and compared to state-of-the-art quantification methods: LCModel, jMRUI (AQUES, QUEST), TARQUIN, VeSPA and Gannet. The results show that the overall accuracy and precision of metabolite quantification is improved using convolutional neural networks.

研究の動機と目的

• GABA のような低濃度代謝物に対する正確で高精度な MRS における代謝物定量の課題に対処すること。
• マニュアルスペクトル処理や専門家によるキャリブレーションに依存しないように、機械学習を用いて定量を自動化すること。
• 校正済みフィジカルフィンガーからの MRS データに対して、深層学習モデル（特に畳み込みニューラルネットワーク）の性能を評価すること。
• MRS 定量に最適なネットワークアーキテクチャ、データ表現、ベーシスセットを同定すること。
• データ駆動型アプローチが、従来のベーシスセットフィッティング手法を上回る精度と頑健性を示すことを実証すること。

提案手法

• MRSNet は、周波数ドメイン MRS スペクトルに対して多クラス回帰を実行する 2次元畳み込みニューラルネットワーク（CNN）を採用し、相対代謝物濃度を予測する。
• ネットワークは、周波数軸に沿ったストライド付き畳み込みと 1×N フィルタを用いて、合成および実験的スペクトル 5,000 点で訓練され、スペクトル特徴を効率的に捉える。
• 入力データ表現には、マグニチュードスペクトル、絶対差分スペクトル（エディット・オフとエディット・オンの差）、さまざまなベースセットの組み合わせが含まれる。
• モデルは、TR = 68 ms および TE = 2000 ms の MEGA-PRESS シーケンスを用いた 3T スキャナから収集したベンチマークデータセット上で、エンド・ツー・エンドに訓練された。
• 真値比較のため、既知の代謝物濃度を持つ実験的フィジカルフィンガーを用いて性能を評価した。
• マグニチュード vs. 複素数、ベースセット（LCModel、FID-A）、スペクトル表現の違いを考慮して、最適な構成を同定するためにテストを行った。

実験結果

リサーチクエスチョン

• RQ1 2次元 CNN は、GABA 定量において、LCModel や jMRUI、TARQUIN などの従来手法よりも精度と再現性に優れているか？
• RQ2 マグニチュード、絶対差分、複素数などの入力データ表現のうち、MRSNet において最も頑健で正確な予測をもたらすのはどれか？
• RQ3 ベースセットの選択（例：LCModel 対 FID-A）が、深層学習モデルの性能に与える影響は何か？
• RQ4 特に畳み込み層設計とフィルタ設定の観点から、MRS 定量に最適なネットワークアーキテクチャは何か？
• RQ5 再トレーニングなしで、異なるパulses シーケンスパラメータやスキャナープラットフォームに対しても、トレーニング済みモデルがどの程度一般化可能か？

主な発見

• ストライド付き畳み込みと周波数軸に沿った 1×N フィルタを備えた 2次元 CNN が、全テストアーキテクチャの中で最高の性能を示した。
• 入力としてエディット・オンとエディット・オフの差分スペクトル（絶対差分）を用いることで、マグニチュードスペクトルのみを使用する場合よりも定量精度が向上した。
• FID-A ベースセットは、トレーニング全体で他のベースセットを上回ったが、クレアチンを代謝物セットから除外した場合には LCModel が優れた結果を示した。
• MRSNet は、標準 CPU 上で 1 スペクトルあたり平均 24 ± 2ms の処理時間で、高い推論効率を達成した。
• 5,000 件のサンプルでトレーニングされたモデルは、実験的フィジカルフィンガー・データセットにおいて、LCModel、jMRUI（AQUES、QUEST）、TARQUIN、VeSPA、Gannet を上回る最先端の精度と再現性を達成した。
• シミュレータ間での GABA モデルパラメータの違い（例：PyGamma、FID-A、LCModel）に対しても、ネットワークの性能は頑健に保たれ、シミュレーションのばらつきに対しても一般化していることが示された。