[論文レビュー] Real-time Cardiovascular MR with Spatio-temporal De-aliasing using Deep Learning - Proof of Concept in Congenital Heart Disease

Andreas Hauptmann, Simon Arridge+3 more|arXiv (Cornell University)|Mar 14, 2018

Advanced MRI Techniques and Applications参考文献 22被引用数 3

ひとこと要約

本研究では、先天性心疾患におけるリアルタイムで空間的・時間的アンダーサンプリングされた径方向心筋MRIデータのデアリーシングに適した3次元残留畳み込みニューラルネットワーク（CNN）を提案する。径方向サンプリングパターンとディープラーニングを組み合わせることで、圧縮センシング（GRASP）と比較して優れた画像品質と両心室容積の正確性を達成し、再構成速度は5倍以上速く、ゴールドスタンダードの呼吸停止スキャンと顕著な差がない。

ABSTRACT

PURPOSE: Real-time assessment of ventricular volumes requires high acceleration factors. Residual convolutional neural networks (CNN) have shown potential for removing artifacts caused by data undersampling. In this study we investigated the effect of different radial sampling patterns on the accuracy of a CNN. We also acquired actual real-time undersampled radial data in patients with congenital heart disease (CHD), and compare CNN reconstruction to Compressed Sensing (CS). 
 METHODS: A 3D (2D plus time) CNN architecture was developed, and trained using 2276 gold-standard paired 3D data sets, with 14x radial undersampling. Four sampling schemes were tested, using 169 previously unseen 3D 'synthetic' test data sets. Actual real-time tiny Golden Angle (tGA) radial SSFP data was acquired in 10 new patients (122 3D data sets), and reconstructed using the 3D CNN as well as a CS algorithm; GRASP. 
 RESULTS: Sampling pattern was shown to be important for image quality, and accurate visualisation of cardiac structures. For actual real-time data, overall reconstruction time with CNN (including creation of aliased images) was shown to be more than 5x faster than GRASP. Additionally, CNN image quality and accuracy of biventricular volumes was observed to be superior to GRASP for the same raw data. 
 CONCLUSION: This paper has demonstrated the potential for the use of a 3D CNN for deep de-aliasing of real-time radial data, within the clinical setting. Clinical measures of ventricular volumes using real-time data with CNN reconstruction are not statistically significantly different from the gold-standard, cardiac gated, BH techniques.

研究の動機と目的

• 異なる径方向サンプリングパターンが、リアルタイム心臓MRIにおけるディープラーニングベースのデアリーシングに与える影響を評価すること。
• 空間的・時間的デアリーシングのための高アンダーサンプリングされた径方向MRIデータに適した3次元残留CNNの開発と妥当性検証を行うこと。
• 先天性心疾患を有する患者から得た実際のリアルタイムデータを用いて、提案された3次元CNNと圧縮センシング（GRASP）の性能を比較すること。
• CNNで再構成されたリアルタイムMRIが、ゴールドスタンダードの呼吸停止スキャンと比較して臨床的に正確な両心室容積測定を達成できるかどうかを評価すること。

提案手法

• 14倍の径方向アンダーサンプリングを施した2,276組の3次元心臓MRIデータを用いて、3次元（2次元空間＋時間）の残留畳み込みニューラルネットワーク（CNN）を学習した。
• 169組の未観測の合成3次元データを用いて、トレーニングおよびテスト段階で4種類の異なる径方向サンプリングパターンを評価し、パターンへの感受性を検証した。
• 先天性心疾患を有する10名の患者から、リアルタイムで小さなゴールデンアンプル（tGA）径方向ステディステートフリー・プレセッション（SSFP）データを取得し、合計122組の3次元データを生成した。
• 学習済みの3次元CNNを用いてリアルタイムでアンダーサンプリングされたデータを再構成し、GRASP圧縮センシングアルゴリズムの結果と比較した。
• 画像品質は定性的に、心室容積はゴールドスタンダードの呼吸停止・心電図同期スキャンと定量的に比較した。
• 再構成速度をCNNとGRASP手法の間で測定・比較した。

実験結果

リサーチクエスチョン

• RQ1 異なる径方向サンプリングパターンは、リアルタイム心臓MRIにおける3次元CNNのデアリーシング性能にどのように影響するか？
• RQ2 3次元残留CNNは、リアルタイムで高アンダーサンプリングされた径方向MRIデータから臨床的に正確な両心室容積測定を達成できるか？
• RQ3 同じリアルタイムデータを用いて、提案されたCNNの画像品質および再構成速度は、圧縮センシング（GRASP）と比較してどうなるか？
• RQ4 CNNで再構成されたリアルタイムMRIとゴールドスタンダードの呼吸停止・心電図同期スキャンとの間で、心室容積測定に統計的に有意な差が生じるか？

主な発見

• 径方向サンプリングパターンの選択が、CNN再構成画像における画像品質および心臓構造の正確な可視化に顕著な影響を及ぼした。
• 同じリアルタイムデータに対して、CNN再構成プロセスはGRASP圧縮センシングアルゴリズムよりも5倍以上速かった。
• 同一の未圧縮アンダーサンプリングデータを用いた場合、CNN再構成画像はGRASPよりも優れた画像品質を示した。
• CNN再構成によるリアルタイムMRIの両心室容積測定値は、ゴールドスタンダードの呼吸停止・心電図同期スキャンと統計的に有意な差がなかった。
• CNNは、高加速された径方向心臓MRIにおけるアリーシングアーチファクトを効果的に低減し、診断可能なリアルタイム画像を可能にした。
• 本研究は、深層学習を用いたリアルタイムで高精度な心機能評価が先天性心疾患において臨床的に実現可能であることを確認した。