[論文レビュー] QSMGAN: Improved Quantitative Susceptibility Mapping using 3D Generative Adversarial Networks with Increased Receptive Field

Yicheng Chen, Angela Jakary+3 more|arXiv (Cornell University)|May 8, 2019

Advanced MRI Techniques and Applications参考文献 43被引用数 9

ひとこと要約

QSMGANは、中心クロップドで大きな入力パッチを用いることで受容 field を拡大した3D U-Netベースの生成的対抗ネットワークを提案し、単一方位の位相データからの定量的感受率マッピング（QSM）を改善する。WGAN-GPトレーニングを活用することで、COSMOSに匹敵する精度を達成し、推論が高速で、病変および前処理アーチファクトに対して優れた耐性を示し、従来のダイポール逆問題化手法（TKD、MEDI、iLSQR）を上回る性能を発揮する。

ABSTRACT

Quantitative susceptibility mapping (QSM) is a powerful MRI technique that has shown great potential in quantifying tissue susceptibility in numerous neurological disorders. However, the intrinsic ill-posed dipole inversion problem greatly affects the accuracy of the susceptibility map. We propose QSMGAN: a 3D deep convolutional neural network approach based on a 3D U-Net architecture with increased receptive field of the input phase compared to the output and further refined the network using the WGAN with gradient penalty training strategy. Our method generates accurate QSM maps from single orientation phase maps efficiently and performs significantly better than traditional non-learning-based dipole inversion algorithms. The generalization capability was verified by applying the algorithm to an unseen pathology--brain tumor patients with radiation-induced cerebral microbleeds.

研究の動機と目的

• QSMにおける不適切なダイポール逆問題化の問題に対処し、臨床的および研究的応用における精度と再現性の制限を解消すること。
• 複数の頭部方位を必要とせず、単一方位の位相データから高精度なQSMマップを生成する深層学習ベースの手法を開発すること。
• 放射線誘発性脳内微小出血などの未観測病変に対して一般化性と耐性を向上させつつ、計算効率を維持すること。
• QSMのパッチベースの深層学習手法で一般的なストリークアーチファクトおよびエッジ不連続性を低減すること。
• WGAN-GPを用いた敵対的トレーニングにより、トレーニングの安定性を向上させ、画像の現実性および定量的精度を向上させること。

提案手法

• 生成器として3D U-Netアーキテクチャを採用し、入力パッチサイズ64³および出力パッチサイズ48³を用いることで、中心クロッピングによりより大きな有効受容 field を実現する。
• トレーニングの安定性を向上させ、より現実的な感受率マップを生成するため、勾配ペナルティ付きWGAN（WGAN-GP）を用いてトレーニングする。
• 識別器（クリティック）は、COSMOS由来の実際のQSMパッチと生成されたパッチを区別するように訓練され、生成器が高精度な出力を生成するように導く。
• バックグラウンド場を除去した単一方位の位相データを処理し、重複するパッチを用いたパッチベースの推論により、3次元全範囲の感受率マップを再構築する。
• トレーニングデータは健康ボランティアのスキャンのみを用いているが、脳内微小出血を有する未観測の患者データに対しても一般化可能である。
• トレーニング後は計算効率が維持され、識別器を除き、3D U-Netへの単一の順方向パスでのみ推論が行われる。

実験結果

リサーチクエスチョン

• RQ1 受容 field を拡大した3Dディープラーニングモデルは、単一方位の位相データからのQSM再構築精度を向上させることができるか？
• RQ2 WGAN-GPフレームワークを組み込むことで、標準的なGANや非敵対的ネットワークと比較して、QSMマップの安定性と現実性が向上するか？
• RQ3 健康脳データでのみトレーニングされたモデルは、脳内微小出血などの病理的感受率源を有する患者に一般化可能か？
• RQ4 入力および出力パッチサイズの選定が、QSM再構築の品質および計算コストにどのように影響するか？
• RQ5 パッチベースのディープラーニング手法における一般的なエッジ不連続性およびストリークアーチファクトは、どの程度低減されるか？

主な発見

• QSMGANは、TKD、MEDI、iLSQRといった従来手法と比較して、感受率定量測定において顕著に低い誤差を達成し、画像品質が向上し、アーチファクトが低減された。
• 本手法は、以前未観測であった病変—放射線誘発性脳内微小出血—を効果的に回復し、ゴールドスタンダードのiLSQR結果と整合する感受率値を生成した。
• 64³ → 48³のパッチ設定が、受容 field と計算コストの最適なバランスを提供し、より小さい（32³ → 32³）およびより大きな（96³ → 32³）設定を上回る性能を示した。
• 健康データでのみトレーニングされたにもかかわらず、QSMGANは前処理の不完全さに対して耐性を示し、バックグラウンド位相成分および異常感受率源を効果的に抑制した。
• WGAN-GPトレーニング戦略により、敵対的プロセスが安定化され、非敵対的ベースラインと比較してより現実的で正確なQSMマップが得られた。
• トレーニング後は推論が極めて効率的であり、識別器を除き3D U-Netへの単一の順方向パスでのみ推論が行われ、追加の推論コストなしに高速再構築が可能である。