[論文レビュー] SSL-QALAS: Self-Supervised Learning for Rapid Multiparameter Estimation in Quantitative MRI Using 3D-QALAS

Yohan Jun, Jaejin Cho+5 more|arXiv (Cornell University)|Feb 28, 2023

Advanced MRI Techniques and Applications被引用数 4

ひとこと要約

本論文では、3D-QALAS MRIデータから、辞書なしで多パrameter T1、T2、プロトン密度（PD）、逆転効率（IE）マップを迅速に推定するための自己教師付き学習手法であるSSL-QALASを提案する。事前学習済みのニューラルネットワークを被験者固有のデータでファインチューニングすることで、推論は10秒未塔、スキャン固有の適応は15分未塔で実現可能であり、ラベル付き学習データや外部辞書を必要としないにもかかわらず、従来の辞書ベース手法と同等の精度を達成する。

ABSTRACT

Purpose: To develop and evaluate a method for rapid estimation of multiparametric T1, T2, proton density (PD), and inversion efficiency (IE) maps from 3D-quantification using an interleaved Look-Locker acquisition sequence with T2 preparation pulse (3D-QALAS) measurements using self-supervised learning (SSL) without the need for an external dictionary. Methods: A SSL-based QALAS mapping method (SSL-QALAS) was developed for rapid and dictionary-free estimation of multiparametric maps from 3D-QALAS measurements. The accuracy of the reconstructed quantitative maps using dictionary matching and SSL-QALAS was evaluated by comparing the estimated T1 and T2 values with those obtained from the reference methods on an ISMRM/NIST phantom. The SSL-QALAS and the dictionary matching methods were also compared in vivo, and generalizability was evaluated by comparing the scan-specific, pre-trained, and transfer learning models. Results: Phantom experiments showed that both the dictionary matching and SSL-QALAS methods produced T1 and T2 estimates that had a strong linear agreement with the reference values in the ISMRM/NIST phantom. Further, SSL-QALAS showed similar performance with dictionary matching in reconstructing the T1, T2, PD, and IE maps on in vivo data. Rapid reconstruction of multiparametric maps was enabled by inferring the data using a pre-trained SSL-QALAS model within 10 s. Fast scan-specific tuning was also demonstrated by fine-tuning the pre-trained model with the target subject's data within 15 min. Conclusion: The proposed SSL-QALAS method enabled rapid reconstruction of multiparametric maps from 3D-QALAS measurements without an external dictionary or labeled ground-truth training data.

研究の動機と目的

• 外部辞書やラベル付き真値データに依存せずに、3D-QALASデータから複数の定量的MRIパラメータ（T1、T2、PD、IE）を推定する高速でエンドツーエンドの手法を開発すること。
• 自己教師付き学習を用いて定量的マップの迅速な再構成を可能とし、臨床的および研究的応用における所要時間を短縮すること。
• 事前学習済みモデル、スキャン固有の適応、およびトランスファー学習の設定を含む、異なる被験者やスキャン条件におけるSSL-QALASの汎用性と性能を評価すること。
• 自己教師付き学習が、辞書照合に匹敵する精度を達成しつつ、時間のかかる辞書生成と照合の必要性を排除できるかどうかを実証すること。

提案手法

• 大規模な3D-QALASデータセットを用いて自己教師付き学習フレームワークを訓練し、生のk-spaceまたはシノグログラムデータから定量的パラメータマップへの潜在的なマッピングを学習する。
• 入力データの潜在表現に対してコントラスト型損失を最小化するように学習する深層ニューラルネットワークアーキテクチャを採用する。
• 少量のターゲットスキャンを用いて、被験者固有のデータで事前学習済みのSSLモデルをファインチューニングし、15分未塔で新しい被験者に迅速に適応可能にする。
• 真値パラメータマップを一切使用せず、データ分布の整合性とデータオーグメンテーションから得られる自己教師信号にのみ依存して学習を行う。
• 事前学習済みモデルを用いた推論（10秒未塔）と、被験者固有の精度向上を目的とした高速ファインチューニングの両方をサポートする。
• 精度と汎用性の評価のために、phantomデータ（ISMRM/NIST）および生体内ヒト脳スキャンを用いて評価を実施する。

実験結果

リサーチクエスチョン

• RQ1 自己教師付き学習は、ラベル付き学習データを必要とせず、辞書ベース手法と同等の精度を達成できるか？
• RQ2 SSL-QALASは、従来の辞書照合手法と比較して、定量的マップの再構成をどの程度迅速に行えるか？
• RQ3 事前学習、スキャン固有、トランスファー学習の設定におけるSSL-QALASの性能はいかがなものか？
• RQ4 再訓練を再び行わずに、異なる被験者やスキャンプロトコル間でSSL-QALASが汎用性を示せるか？
• RQ5 臨床現場における従来の辞書ベース再構成と比較して、SSL-QALASの推論速度はどの程度速いか？

主な発見

• フォーム実験では、SSL-QALASと基準値との間でT1およびT2について強い線形整合性が確認され、相関係数は辞書照合手法と同等であった。
• 生体内データにおいて、SSL-QALASは、辞書照合で得られたものと視覚的および定量的に類似したT1、T2、PD、IEマップを生成した。
• 事前学習済みSSL-QALASモデルを用いた推論は10秒未塔で完了し、辞書ベース再構成よりも顕著に高速であった。
• 被験者固有のデータで事前学習済みモデルをファインチューニングすることで、精度が向上し、15分未塔で完了した。
• トランスファー学習やスキャン固有の適応を用いても、被験者間で性能の著しい低下を示さず、強固な汎用性を示した。
• SSL-QALASは外部辞書やラベル付き真値データの必要性を排除し、完全にエンドツーエンドで迅速かつ自動化された定量的MRIマッピングを実現した。