[論文レビュー] Synthetic Perfusion Maps: Imaging Perfusion Deficits in DSC-MRI with Deep Learning

Andreas Hess, Raphael Meier+6 more|arXiv (Cornell University)|Jun 11, 2018

Advanced MRI Techniques and Applications参考文献 3被引用数 4

ひとこと要約

本論文では、原始的な灌流データのみを用いてトレーニングされたエンドツーエンド畳み込みニューラルネットワークを用いて、動的拡散強化磁気共鳴画像法（DSC-MRI）における合成灌流マップを生成する、モデルフリーのディープラーニングベースの手法を提案する。この手法は、臨床的に同等の結果を達成しており、ノイズが低減され、推論が高速化されている。さらに、アーテリアルインプット関数（AIF）推定を必要とせず、変動する対比剤到達時刻に対応できるボルス特徴化モジュールを統合している。

ABSTRACT

In this work, we present a novel convolutional neural net- work based method for perfusion map generation in dynamic suscepti- bility contrast-enhanced perfusion imaging. The proposed architecture is trained end-to-end and solely relies on raw perfusion data for inference. We used a dataset of 151 acute ischemic stroke cases for evaluation. Our method generates perfusion maps that are comparable to the target maps used for clinical routine, while being model-free, fast, and less noisy.

研究の動機と目的

• 原始的なDSC-MRIデータから直接灌流マップを生成する、モデルフリーでエンドツーエンドのディープラーニングフレームワークの開発を目的とする。
• 手動または自動のアーテリアルインプット関数（AIF）推定を不要とし、誤差が多くかつ時間がかかるプロセスを排除することを目的とする。
• 変動する対比剤ボルス到達時刻に対応できるように、急性虚血性ストロークにおける灌流マップ生成のロバスト性を向上させることを目的とする。
• 従来の手法よりもノイズが少なく、計算が速いため、臨床現場でのリアルタイム利用が可能な灌流マップの生成を目的とする。

提案手法

• T_max灌流マップを原始的なDSC-MRIシーケンスから予測するために、3D U-Netに類似した畳み込みニューラルネットワークアーキテクチャを用いる。
• モデルは各ボクセルの時間系列を独立して処理し、灌流信号内の局所的時間的パターンに依存する。
• ボルス到達時刻とAIF特性を推定するために、固定された解剖的領域（基底動脈から後頭動脈まで）からの特徴を抽出する専用のボルス特徴化構造（BCS）を設ける。
• 時間的データ拡張として、灌流シーケンスを-5から30フレームの範囲でランダムにシフトし、信号の整合性を保つために反射パディングを適用する。
• 損失関数には重み付き平均絶対誤差（MAE）を用い、MAEC指標に最も影響を与える値に高い重みを付与することで、重要な領域における予測精度を向上させる。
• 前処理段階でボクセル単位のガウス平滑化と標準化を含む空間的および時間的正規化を適用し、学習の安定化を図る。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、AIF推定やパrametricモデリングを必要とせず、原始的なDSC-MRIデータから臨床的に意味のある灌流マップを生成できるか？
• RQ2 変動するボルス到達時刻に対する耐性を考慮した場合、標準的な臨床的灌流マップと比較して、本モデルの正確性、ノイズ、およびロバスト性はどの程度か？
• RQ3 時間的データ拡張は、対比剤到達遅延が異なる症例間での一般化性能をどの程度向上させるか？
• RQ4 専用のボルス特徴化モジュールを含めることで、そのようなインダクティブバイアスを有さない標準的なCNNと比較して、モデル性能が向上するか？
• RQ5 モデルは予測不確実性を推定できるか？また、その不確実性は実際の予測誤差と相関するか？

主な発見

• 提案されたモデルは、標準的な臨床的灌流マップと同等の性能を達成しており、予測されたT_maxマップにおいて顕著にノイズが低減され、滑らかさが向上している。
• 時間的データ拡張による一般化性能の向上が示されたことから、変動する対比剤ボルス到達時刻に対してもモデルの性能がロバストであることが確認された。
• ボルス特徴化構造や損失関数の重み付けを削除した場合、予測精度が著しく低下したため、これらがモデル性能において極めて重要な役割を果たしていることが確認された。
• モデルが予測する不確実性（σ²）は、予測値の大きさと相関を示したが、誤差とは相関しなかった。これは、ターゲットマップのノイズにより、高値のボクセルを正確に予測することが困難である可能性を示唆している。
• 弱い信号減衰と高ノイズ（例：頭部運動に起因）が見られる症例では、ボルス特徴化構造がボルスを信頼性高く検出できなかったため、モデルが失敗した。これは、ボルス検出が信頼できない場合、モデルに限界があることを示している。
• 訓練時にデータ拡張を用いたモデルBは、テストセットでモデルAを上回った。これは、データ拡張が変動するボルスタイミングを有する未知のデータに対する一般化性能を向上させたことを示している。