[논문 리뷰] Acceleration and Quantitation of Localized Correlated Spectroscopy using Deep Learning: A Pilot Simulation Study

Zohaib Iqbal, Dan Nguyen외 2명|arXiv (Cornell University)|2018. 06. 28.

Advanced MRI Techniques and Applications참고 문헌 56인용 수 4

한 줄 요약

이 연구는 비균일 샘플링된 국소화된 상관 스펙트로스코피(L-COSY)를 가속화하고 대사산물 농도를 정확하게 정량화하기 위해 밀도 연결 U-Net(D-UNet)을 사용하는 딥러닝 접근법을 제안한다. 이 방법은 4배 가속화 시 5% 미만의 정규화 평균 제곱 오차를 달성하고, 25% SNR 조건에서 8% 이내의 오차를 기록하여 시뮬레이션된 MRS 데이터를 사용한 복소 압축 센싱 기반의 재구성 및 정량화 작업보다 뛰어난 성능을 보였다.

ABSTRACT

Nuclear magnetic resonance spectroscopy (MRS) allows for the determination of atomic structures and concentrations of different chemicals in a biochemical sample of interest. MRS is used in vivo clinically to aid in the diagnosis of several pathologies that affect metabolic pathways in the body. Typically, this experiment produces a one dimensional (1D) 1H spectrum containing several peaks that are well associated with biochemicals, or metabolites. However, since many of these peaks overlap, distinguishing chemicals with similar atomic structures becomes much more challenging. One technique capable of overcoming this issue is the localized correlated spectroscopy (L-COSY) experiment, which acquires a second spectral dimension and spreads overlapping signal across this second dimension. Unfortunately, the acquisition of a two dimensional (2D) spectroscopy experiment is extremely time consuming. Furthermore, quantitation of a 2D spectrum is more complex. Recently, artificial intelligence has emerged in the field of medicine as a powerful force capable of diagnosing disease, aiding in treatment, and even predicting treatment outcome. In this study, we utilize deep learning to: 1) accelerate the L-COSY experiment and 2) quantify L-COSY spectra. We demonstrate that our deep learning model greatly outperforms compressed sensing based reconstruction of L-COSY spectra at higher acceleration factors. Specifically, at four-fold acceleration, our method has less than 5% normalized mean squared error, whereas compressed sensing yields 20% normalized mean squared error. We also show that at low SNR (25% noise compared to maximum signal), our deep learning model has less than 8% normalized mean squared error for quantitation of L-COSY spectra. These pilot simulation results appear promising and may help improve the efficiency and accuracy of L-COSY experiments in the future.

연구 동기 및 목표

• 딥러닝을 사용하여 시간이 오래 소요되는 2D L-COSY MRS 획득을 가속화하기.
• L-COSY 스펙트럼에서 겹치는 대사산물 신호를 정확하게 정량화하기.
• 기존 재구성 및 피팅 방법의 한계를 극복하기 위해 2D MRS에서 장기적인 스캔 시간과 복잡한 스펙트럼 피팅 문제를 해결하기.
• 비균일 샘플링된 L-COSY 데이터 재구성 및 완전 샘플링된 스펙트럼의 정량화 성능을 시뮬레이션된 대사산물 데이터를 사용해 검증하기.
• 실제 노이즈 및 샘플링 조건에서의 타당성과 정확성을 입증함으로써 임상 적용 기반을 마련하기.

제안 방법

• 비균일 샘플링된(NUS) L-COSY 스펙트럼을 압축된 k-스페이스 데이터에서 재구성하기 위해 밀도 연결 U-Net(D-UNet) 아키텍처를 학습시켰다.
• D-UNet 모델은 실제 대사산물 피크 위치, 강도 및 지수적 라인 브로드닝을 반영한 시뮬레이션된 L-COSY 데이터를 기반으로 엔드 투 엔드로 학습되었다.
• 재구성 성능은 ℓ₁-노름 최소화를 기반으로 한 압축 센싱을 대조군으로 비교하였다.
• 정량화를 위해 별도의 D-UNet 모델을 학습시켜 완전 샘플링된 L-COSY 스펙트럼에서 직접 대사산물 농도를 예측하도록 하였다.
• 모델 평가에는 다양한 신호 대 잡음비(SNR) 및 가속도 요인에서 정규화 평균 제곱 오차(NMSE)를 사용하였다.
• 학습 데이터에는 NAA, 크레아티닌, 글루타메이트 및 2-하이드록시글루타르산(2HG) 등의 대사산물이 포함되었으며, 피크 위치 및 형상에 대한 사전 지식이 시뮬레이션에 통합되었다.

실험 결과

연구 질문

• RQ1 고가속도 요인에서 복소 압축 센싱보다 정확도가 높은 딥러닝 모델이 비균일 샘플링된 L-COSY 스펙트럼을 재구성할 수 있는가?
• RQ2 낮은 SNR 조건에서 완전 샘플링된 L-COSY 스펙트럼에서 딥러닝 모델이 대사산물 농도를 정확하게 정량화할 수 있는가?
• RQ3 시뮬레이션된 L-COSY 데이터에서 D-UNet 모델의 성능이 전통적인 재구성 및 정량화 방법과 비교해 어떻게 되는가?
• RQ4 2D MRS에서 다양한 SNR 수준과 샘플링 패턴에 대해 모델의 일반화 능력은 어느 정도인가?
• RQ5 동일한 딥러닝 프레임워크를 JPRESS나 TOCSY와 같은 다른 2D MRS 기법으로 확장할 수 있는가?

주요 결과

• 4배 가속화 조건에서 D-UNet은 비균일 샘플링된 L-COSY 스펙트럼 재구성에서 정규화 평균 제곱 오차(NMSE)가 5% 미만을 기록하였으며, 복소 압축 센싱의 20% NMSE에 비해 뚜렷한 성능 향상을 보였다.
• 낮은 SNR 조건(최대 신호의 25%)에서 D-UNet은 대사산물 정량화에 대해 NMSE가 8% 이내를 유지하여 노이즈에 대한 강건성을 입증하였다.
• 특히 2D 스펙트럼에서 겹치는 크로스피크를 해소하는 데 있어 D-UNet 모델이 복소 압축 센싱보다 뛰어난 재구성 정밀도를 보였다.
• 다양한 SNR 수준과 가속도 요인에서 일관된 성능을 보이며, 시뮬레이션된 데이터에서 강력한 일반화 능력을 입증하였다.
• 보조 결과에서 볼 수 있듯이, 이 프레임워크는 JPRESS, NOESY 및 TOCSY를 포함한 다른 2D MRS 기법으로도 확장 가능하다.
• 이 연구는 L-COSY 스캔을 1D 단일 볼륨 MRS 수준(3~5분)의 촬영 시간으로 가능하게 함으로써 임상 적용 가능성을 높이며, routine 임상 사용이 가능하게 한다.