[論文レビュー] Non-locally Encoder-Decoder Convolutional Network for Whole Brain QSM Inversion

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

Advanced MRI Techniques and Applications参考文献 12被引用数 5

ひとこと要約

本稿では、単一コントラストのSWIデータから高分解能全脳画像の磁化感受率マップを再構築する3次元非局所エンコーダ・デコーダ型ゲート付き畳み込みニューラルネットワーク、QSMInvNetを提案する。合成データを用いた前方ダイポールモデリングと非局所ブロック、ゲート付き畳み込みを統合することで、正則化パrameterのチューニングを必要とせず、リアルタイムでアーチファクトを最小限に抑えたQSM再構築が可能となり、TKD、FANSI、MEDIと比較して画像のシャープネスが向上した。

ABSTRACT

Quantitative Susceptibility Mapping (QSM) reconstruction is a challenging inverse problem driven by ill conditioning of its field-to -susceptibility transformation. State-of-art QSM reconstruction methods either suffer from image artifacts or long computation times, which limits QSM clinical translation efforts. To overcome these limitations, a non-locally encoder-decoder gated convolutional neural network is trained to infer whole brain susceptibility map, using the local field and brain mask as the inputs. The performance of the proposed method is evaluated relative to synthetic data, a publicly available challenge dataset, and clinical datasets. The proposed approach can outperform existing methods on quantitative metrics and visual assessment of image sharpness and streaking artifacts. The estimated susceptibility maps can preserve conspicuity of fine features and suppress streaking artifacts. The demonstrated methods have potential value in advancing QSM clinical research and aiding in the translation of QSM to clinical operations.

研究の動機と目的

• QSM逆問題の不適切な定式化が引き起こすストライピングアーチファクトや画像のぼやけを解消すること。
• 追加スキャンを必要とせず、標準的な臨床的SWIプロトコルに準拠したまま、全脳的高分解能QSM再構築を可能にする深層学習ベースの手法を開発すること。
• ストライピングやシェーディングアーチファクトを抑制するとともに、石灰化や小規模な出血巣などの微細な解剖学的特徴を保持することで、画像品質を向上させること。
• 手動による正則化パrameterチューニングの必要性を排除し、臨床現場での即時接続・利用を可能にすること。
• 既存の臨床的SWIデータが、プロトコル変更なしに診断的価値のあるQSMマップを生成可能であることを実証すること。

提案手法

• 局所的場のマップと脳マスクから磁化感受率マップを推定する目的で、ゲート付き畳み込みと拡張畳み込みを組み合わせた3次元エンコーダ・デコーダ型畳み込みニューラルネットワークを訓練する。
• 長距離の文脈的モデリングを強化し、広範囲の磁化感受率領域の推定を改善するために、非局所ブロックを統合する。
• 合成トレーニングデータは、1つのin-vivo COSMOSデータセットを用い、幾何的歪み、挿入された形状、局所的コントラスト変化を加えた後、前方ダイポール畳み込みにより場のマップを計算することで生成する。
• 予測値と真値の磁化感受率マップ間のL1損失を用い、RMSprop最適化とバッチ正則化を適用してネットワークを訓練する。
• データ増強には、弾性変形、異なる磁化感受率値・方向性を持つランダム配置の幾何形状、局所的コントラスト調整を含む。
• 本手法は、合成データ、公的QSMチャレンジデータセット、複数の臨床的SWIデータセット（解像度やスライス厚が異なる）を用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースの手法は、従来のQSM逆問題手法（TKD、FANSI、MEDI）と比較して、画像のシャープネスとアーチファクト抑制の面で優れているか？
• RQ2 パッチベースの再構築を必要とせず、非局所エンコーダ・デコーダネットワークが全脳にわたる長距離の磁化感受率依存関係を効果的にモデリングできるか？
• RQ3 ゲート付き畳み込みの導入により、組織と境界の磁化感受率特徴を区別する能力が向上するか？
• RQ4 本手法は、追加スキャンやゴールドスタンダードのバリデーションを必要とせず、標準プロトコルで取得された臨床的SWIデータに対しても一般化可能か？
• RQ5 正則化パrameterチューニングを必要とせず、GPUハードウェア上でリアルタイム推論が達成できるか？

主な発見

• 合成データでは、QSMInvNetはRMSE（0.025 vs. 0.038–0.052）、HFEN（0.87 vs. 0.72–0.80）、SSIM（0.96 vs. 0.88–0.92）において、TKD、FANSI、MEDIを上回った。
• 臨床例では、QSMInvNetマップは優れた画像のシャープネスを示し、軸方向のズームインで白色矢印で示されるような微細な特徴（小規模な石灰化、出血巣など）を保持していた。
• 特に外科的巣や病変など、磁化感受率コントラストが高い領域において、ストライピングやシェーディングアーチファクトがQSMInvNetで顕著に低減された。
• 本手法は、ダイアマグネティックな石灰化（QSMで低信号）とパラマグネティックなヘモサイトシン（QSMで高信号）を明確に区別でき、SWIのブローミングアーチファクトの限界を克服した。
• QSMInvNetはGPUハードウェア上でリアルタイム推論を達成し、従来手法で必要な正則化パrameterチューニングの必要性を排除した。
• ネットワークは、硬膜下液貯留、SRS後転移、手術計画事例など多様な臨床的データに対し、一貫した高品質な出力を示し、強靭性を示した。