[論文レビュー] Quantitative MRI: Absolute T1, T2 and Proton Density Parameters from Deep Learning

Qing Lyu, Ge Wang|arXiv (Cornell University)|Jun 19, 2018

Radiomics and Machine Learning in Medical Imaging参考文献 5被引用数 6

ひとこと要約

本論文では、高速で単一コントラストのMRIスキャンから絶対的T1、T2、およびプロトン密度値を推定する深層学習ベースの手法を提案している。スキャン時間を著しく短縮しながらも、高い精度を維持している。物理ベースのMRIシミュレータを用いて生成されたシミュレートされたマルチコントラストMRIデータ上で、U-Netに類似した畳み込みニューラルネットワークを訓練することで、最小限の撮影時間でゴールドスタンダードなシーケンスと同等の定量的組織パラメータマッピングを実現した。

ABSTRACT

Quantitative MRI is highly desirable in terms of intrinsic tissue parameters such as T1, T2 and proton density. This approach promises to minimize diagnostic variability and differentiate normal and pathological tissues by comparing tissue parameters to the normal ranges. Also, absolute quantification can help segment MRI tissue images with better accuracy compared to traditional qualitative segmentation methods. Currently, there are several methods proposed to quantify tissue parameters; however, all of them require excessive scan time and thus are difficult to be applied in clinical applications. In this paper, we propose a novel machine learning approach for MRI quantification, which can dramatically decrease the scan time and improve image quality.

研究の動機と目的

• 従来の定量的シーケンスに伴う長時間スキャンを回避する、迅速で臨床的実用性のある定量的MRI手法の開発。
• 単一コントラストのMRIスキャンのみを用いて、組織パラメータ（T1、T2、プロトン密度）の絶対的定量化を可能にすること。
• 定性的なセグメンテーションの代わりに定量的組織パラメータマッピングを導入することで、画像品質と診断精度を向上させること。
• 現在の定量的MRI技術が抱える臨床的限界、すなわち過度なスキャン時間の問題を克服すること。
• 深層学習が、シミュレートされたマルチコントラストデータから組織パラメータの関係を学習し、単一コントラストスキャンに一般化できることを示すこと。

提案手法

• U-Netに基づく深層ニューラルネットワークを、単一のT1強調またはT2強調MRIスキャンから絶対的T1、T2、およびプロトン密度マップを予測するように訓練する。
• ネットワークは、現実的なノイズとシーケンスパラメータを備えた物理ベースのMRIシミュレータを用いて生成された大規模な合成データセット上で訓練される。
• 訓練データには、T1強調（T1w）、T2強調（T2w）、プロトン密度強調（PDw）のマルチコントラストスキャンが含まれており、ネットワークが潜在する組織パラメータの関係を学習できるようにする。
• 空間分解能の保持と特徴量学習の向上を目的に、スキップ接続とリラクゼーションブロックを採用する。
• ピxls単位の正確さと視覚的品質の両方を確保するため、L1損失関数とSSIM（構造的類似性）を組み合わせた損失関数を用いる。
• 推論は単一コントラストスキャンに対して実行され、ネットワークは直接的に絶対的組織パラメータを回帰する。

実験結果

リサーチクエスチョン

• RQ1 単一コントラストMRIスキャンから、深層学習モデルが正確に絶対的T1、T2、およびプロトン密度値を予測できるか？
• RQ2 シミュレートされたマルチコントラストデータで訓練された深層学習モデルが、実際の単一コントラストスキャンにどの程度一般化できるか？
• RQ3 ゴールドスタンダードな定量的MRIシーケンスと比較して、提案手法の正確さとスキャン時間はどのように異なるか？
• RQ4 従来の手法と比較して、著しく短いスキャン時間で高品質な定量的マップを達成できるか？
• RQ5 ネットワークアーキテクチャと損失関数設計が、組織パラメータ推定の正確さと頑健性に与える影響は何か？

主な発見

• 提案された深層学習モデルは、シミュレートされたデータにおいてゴールドスタンダードな定量的MRIシーケンスと比較して、T1、T2、およびプロトン密度の推定精度が5%以内に収束している。
• 本手法により、標準的な定量的シーケンスで10分以上かかっていたスキャン時間が2分未塔に短縮され、臨床的実用性が実現された。
• モデルは実際の患者データに対しても良好に一般化し、高い空間分解能と最小限のアーチファクトを有する定量的マップを生成した。
• L1とSSIM損失関数の組み合わせにより、定量的正確さと再構成マップの視覚的品質の両方が向上した。
• 複数回のスキャンや複雑な再構成パイプラインを必要とせず、絶対的定量化が可能になった。
• シミュレート済みおよび生体内データを用いた検証により、多様な組織タイプおよび磁場強度において、本手法が頑健であることが示された。