[論文レビュー] Nonlinear Dipole Inversion (NDI) enables Quantitative Susceptibility Mapping (QSM) without parameter tuning

Daniel Polak, Itthi Chatnuntawech+7 more|arXiv (Cornell University)|Sep 30, 2019

Advanced MRI Techniques and Applications参考文献 53被引用数 5

ひとこと要約

本稿では、磁気共鳴信号の強度を事前分布として組み込む非線形前方モデルを用いることで、正則化パrameterのチューニングを不要にする物理的根拠に基づく定量的感受率マッピング（QSM）再構成手法である非線形デュポール逆問題（NDI）を紹介する。NDIを変分ネットワーク（VaNDI）と組み合わせることで、2方向の頭部姿勢ですら、0.5 mm等方的分解能の高加速7Tデータにおいても最先端の画像品質を達成する。

ABSTRACT

We propose Nonlinear Dipole Inversion (NDI) for high-quality Quantitative Susceptibility Mapping (QSM) without regularization tuning, while matching the image quality of state-of-the-art reconstruction techniques. In addition to avoiding over-smoothing that these techniques often suffer from, we also obviate the need for parameter selection. NDI is flexible enough to allow for reconstruction from an arbitrary number of head orientations, and outperforms COSMOS even when using as few as 1-direction data. This is made possible by a nonlinear forward-model that uses the magnitude as an effective prior, for which we derived a simple gradient descent update rule. We synergistically combine this physics-model with a Variational Network (VN) to leverage the power of deep learning in the VaNDI algorithm. This technique adopts the simple gradient descent rule from NDI and learns the network parameters during training, hence requires no additional parameter tuning. Further, we evaluate NDI at 7T using highly accelerated Wave-CAIPI acquisitions at 0.5 mm isotropic resolution and demonstrate high-quality QSM from as few as 2-direction data.

研究の動機と目的

• QSM再構成における正則化パrameterチューニングの必要性を排除すること。これは、臨床的および研究的応用における主要な障壁である。
• 従来の正則化手法がしばしば導入する過剰な平滑化を回避することで、画像品質を向上させること。
• 物理的に情報を持つ非線形モデルを活用することで、1〜2方向の頭部姿勢といった最小限のデータからも高品質なQSMを可能にすること。
• 物理モデルと深層学習を微分可能フレームワーク内で統合し、手動でのチューニングなしに最適なパラメータを学習すること。
• 0.5 mm等方的分解能の高加速7T Wave-CAIPIスケジュールにおいて、高いロバストネスを示すことを実証すること。

提案手法

• MR信号の強度を有効な事前分布として用いる非線形前方モデルを提案し、感受率推定の精度を向上させる。
• 非線形デュポール逆問題のための単純な勾配降下更新則を導出し、繰り返しのパrameterチューニングなしに効率的な最適化を可能にする。
• NDIの物理的基盤に立脚した変分ネットワーク（VN）と組み合わせたハイブリッドフレームワークであるVaNDIを導入し、トレーニング中にネットワークパラメータを学習する。
• NDIの勾配降下更新則を深層学習アーキテクチャの基盤として採用し、物理的整合性と解釈可能性を保証する。
• 1方向や2方向の頭部姿勢を含む、任意の数の姿勢からの再構成をサポートする。
• 微分可能定式化を採用することで、物理的制約（デュポール方程式）を保持したままエンドツーエンドのトレーニングを可能にする。

実験結果

リサーチクエスチョン

• RQ1 強度データを事前分布として組み込む非線形前方モデルは、正則化パrameterのチューニングを必要とせずにQSM再構成品質を向上させることができるか？
• RQ2 NDIは、1または2つの頭部姿勢からのデータを用いてQSMを再構成する際、どのように性能を発揮するか？
• RQ3 物理的逆問題と深層学習を組み合わせたVaNDIは、COSMOSなどの最先端手法に比べて、画像品質およびロバストネスの面でどの程度優れているか？
• RQ4 高加速Wave-CAIPIシーケンスを用いても、7Tで高分解能QSM（0.5 mm等方的分解能）を達成できるか？
• RQ5 従来の正則化ベースのアプローチと比較して、提案手法は高精度を維持し、過剰な平滑化を低減できるか？

主な発見

• NDIは、正則化パrameterチューニングを一切必要とせず、COSMOSなどの最先端QSM手法と同等の画像品質を達成する。
• 物理的根拠に基づく非線形モデルのおかげで、従来の正則化手法にありがちな過剰な平滑化アーチファクトが顕著に低減される。
• NDIの深層学習版であるVaNDIは、トレーニング中に最適なネットワークパラメータを学習し、追加のハイパーパrameterチューニングを一切必要としない。
• 2方向の頭部姿勢での再構成でも、COSMOSを上回る性能を示し、低姿勢数データに対するロバストネスを実証する。
• 0.5 mm等方的分解能の高加速Wave-CAIPIスケジュールを用いても、7Tで高品質なQSMが得られることを確認し、臨床応用の可能性を裏付けた。
• 非線形前方モデルにおける強度の事前分布の活用により、多様なスケジュールにおいて再構成の精度と安定性が向上した。