[論文レビュー] Synthesizing MR Image Contrast Enhancement Using 3D High-resolution ConvNets

Chao Chen, Catalina Raymond+6 more|arXiv (Cornell University)|Apr 4, 2021

Brain Tumor Detection and Classification被引用数 7

ひとこと要約

本論文は、ガドリニウム含有対比剤の使用を減らす・排除する目的で、脳領域で28.24 dBのPSNRを達成する3次元高分解能完全畳み込みネットワーク（FCN）を提案する。腫瘍領域では21.2 dBのPSNRを達成し、腫瘍のコントラストを著しく向上させ、ガドリニウムベース対比剤への依存度を低減する。

ABSTRACT

extit{Objective:} Gadolinium-based contrast agents (GBCAs) have been widely used to better visualize disease in brain magnetic resonance imaging (MRI). However, gadolinium deposition within the brain and body has raised safety concerns about the use of GBCAs. Therefore, the development of novel approaches that can decrease or even eliminate GBCA exposure while providing similar contrast information would be of significant use clinically. extit{Methods:} In this work, we present a deep learning based approach for contrast-enhanced T1 synthesis on brain tumor patients. A 3D high-resolution fully convolutional network (FCN), which maintains high resolution information through processing and aggregates multi-scale information in parallel, is designed to map pre-contrast MRI sequences to contrast-enhanced MRI sequences. Specifically, three pre-contrast MRI sequences, T1, T2 and apparent diffusion coefficient map (ADC), are utilized as inputs and the post-contrast T1 sequences are utilized as target output. To alleviate the data imbalance problem between normal tissues and the tumor regions, we introduce a local loss to improve the contribution of the tumor regions, which leads to better enhancement results on tumors. extit{Results:} Extensive quantitative and visual assessments are performed, with our proposed model achieving a PSNR of 28.24dB in the brain and 21.2dB in tumor regions. extit{Conclusion and Significance:} Our results suggest the potential of substituting GBCAs with synthetic contrast images generated via deep learning. Code is available at \url{https://github.com/chenchao666/Contrast-enhanced-MRI-Synthesis

研究の動機と目的

• ガドリニウムが脳および身体に沈着する懸念から、脳MRIにおけるガドリニウム含有対比剤（GBCAs）の使用を低減または排除すること。
• 診断的コントラスト情報を保持するように、非対比MRIスキャンから対比強調T1強調MRIシーケンスを合成する深層学習ベースの手法を開発すること。
• MRIボリュームにおいて代表が不足している腫瘍領域の性能を向上させること。
• 正常組織と腫瘍ボクセルの間のデータ不均衡に対処するため、トレーニング中に腫瘍領域の寄与度を高めるローカル損失関数を導入すること。
• これまでのデータセットよりも規模と多様性に優れた、400例を超える大規模データセットを構築し、仮想的対比強調を実現すること。

提案手法

• 全推論プロセス中に高分解能の空間情報を維持するため、ダウンサンプリングおよびアップサンプリング操作を回避する3次元高分解能完全畳み込みネットワーク（FCN）を設計した。
• モデルは、T1、T2、および拡散移動係数（ADC）マップの3つの非対比MRIシーケンスを入力とし、それに対応する対比強調T1（CE-T1）シーケンスを出力する。
• 拡張畳み込みとスキップ接続を用いて、並列でマルチスケール特徴量の集約を実施し、細粒度および文脈的情報をスケール全体で捉える。
• トレーニング中に腫瘍ボクセルの寄与度を再重み付けするための新規ローカル損失関数を導入し、ボクセル数が少ない領域での強調品質を向上させた。
• グローバル損失関数とローカル損失関数の組み合わせを用いて、エンドツーエンドでネットワークをトレーニングした。ローカル損失関数は腫瘍領域の再構成忠実度に焦点を当てた。
• 400例を超える脳腫瘍患者のデータセットを用いて評価し、定量的（PSNR、SSIM）および定性的な評価を徹底的に行った。

実験結果

リサーチクエスチョン

• RQ1 ガドリニウム含有対比剤を一切使用せずに、非対比T1、T2、ADCシーケンスから高精度な対比強調T1 MRIシーケンスを合成できるか？
• RQ2 並列マルチスケールアグリゲーションを備えた3次元高分解能FCNは、標準の2次元／3次元U-Netアーキテクチャと比較して、合成品質をどのように向上させるか？
• RQ3 正常組織と腫瘍ボクセルの間のデータ不均衡を考慮して、ローカル損失関数を組み込むことで、合成MRIにおける腫瘍領域コントラストはどの程度向上するか？
• RQ4 400例を超える大規模かつ多様性に富んだデータセットを用いることで、100例未満の被験者を対象とした先行研究と比較して、一般化性能と性能が向上するか？
• RQ5 PSNRおよび視覚的品質の観点から、本手法は既存の最先端の仮想的対比強調技術と比較して、どの程度優れているか？

主な発見

• 提案された3次元高分解能FCNは、非対比入力のみを用いても、脳全体領域で28.24 dBのPSNRを達成し、先行手法を上回った。
• 腫瘍領域では21.2 dBのPSNRを達成し、小型または低コントラスト病変の強調に失敗しがちな先行手法と比較して顕著な改善を示した。
• ローカル損失関数の導入により、腫瘍領域の強調品質が著しく向上し、病変領域におけるコントラストの低・過剰推定が軽減された。
• 2次元／3次元U-Net変種およびベイジアンU-Netを含む既存の最先端手法と比較して、脳全体領域でPSNRが1 dB以上上回った。
• アブレーションスタディにより、T1、T2、ADCの3つの非対比シーケンスを併用することで性能が最大限に向上することが示され、1つまたは2つのシーケンスのみを用いたモデルを上回った。
• 本モデルは多様な脳腫瘍タイプに対して優れた一般化性能を示し、本研究で最も大規模な400例を超えるデータセットを用いた検証が行われ、本タスクにおいて過去最大の規模のデータセットを構築した。