[논문 리뷰] Accurate super-resolution low-field brain MRI

Juan Eugenio Iglesias, Riana Schleicher외 8명|arXiv (Cornell University)|2022. 02. 07.

Advanced MRI Techniques and Applications인용 수 4

한 줄 요약

이 논문은 저해상도 뇌 MRI 스캔을 1 mm 등방성 해상도로 향상시켜 고품질 분할을 가능하게 하는 딥러닝 기반 초해상도(SR) 방법을 제안한다. 짝지어진 저장력(LF) MRI와 고장력(HF) MPRAGE 유사 스캔을 활용하여, 황금 표준인 HF 측정치와 강한 상관관계(r > 0.84)를 확보함으로써, 이동성이고 저비용인 MRI 시스템의 진단 가능성을 크게 향상시킨다.

ABSTRACT

The recent introduction of portable, low-field MRI (LF-MRI) into the clinical setting has the potential to transform neuroimaging. However, LF-MRI is limited by lower resolution and signal-to-noise ratio, leading to incomplete characterization of brain regions. To address this challenge, recent advances in machine learning facilitate the synthesis of higher resolution images derived from one or multiple lower resolution scans. Here, we report the extension of a machine learning super-resolution (SR) algorithm to synthesize 1 mm isotropic MPRAGE-like scans from LF-MRI T1-weighted and T2-weighted sequences. Our initial results on a paired dataset of LF and high-field (HF, 1.5T-3T) clinical scans show that: (i) application of available automated segmentation tools directly to LF-MRI images falters; but (ii) segmentation tools succeed when applied to SR images with high correlation to gold standard measurements from HF-MRI (e.g., r = 0.85 for hippocampal volume, r = 0.84 for the thalamus, r = 0.92 for the whole cerebrum). This work demonstrates proof-of-principle post-processing image enhancement from lower resolution LF-MRI sequences. These results lay the foundation for future work to enhance the detection of normal and abnormal image findings at LF and ultimately improve the diagnostic performance of LF-MRI. Our tools are publicly available on FreeSurfer (surfer.nmr.mgh.harvard.edu/).

연구 동기 및 목표

• 저장력(LF) MRI에서의 제한된 해상도와 신호 대 잡음비가 뇌 구조의 정확한 특성화를 방해하므로 이를 해결하고자 한다.
• 저장력 T1- 및 T2-weighted 시퀀스에서 고해상도 MPRAGE 유사 영상을 합성하는 기계학습 기반 초해상도(SR) 프레임워크를 개발하고자 한다.
• 초해상도 향상된 LF-MRI 영상이 고장력 MRI와 비교해 정확한 자동 분할을 가능하게 하는지 평가하고자 한다.
• 후처리 향상 기법을 통해 이미지 품질과 진단 유용성을 향상시켜 LF-MRI의 임상적 도입을 가능하게 하고자 한다.

제안 방법

• 저해상도, 저장력 T1- 및 T2- weighted MRI 스캔을 합성 1 mm 등방성 MPRAGE 유사 영상으로 매핑하는 딥 네트워크를 훈련시킨다.
• 감독 학습을 위해 저장력(LF, 1.0T 이하) 스캔과 해당하는 고장력(HF, 1.5T–3T) 스캔의 짝지어진 데이터셋을 사용한다.
• SR 네트워크는 해부학적 세부 정보와 강도 일관성을 유지하도록 최적화되어 있으며, 고장력 MPRAGE 시퀀스의 대조를 모방한다.
• 기존 LF-MRI 및 SR 향상된 영상에 대해 표준 신경해부학적 분할 파이프라인(예: FreeSurfer)을 사용해 평가한다.
• 분할된 부피 간 상관관계(Pearson r)를 통해 성능을 평가하며, 이는 SR 영상에서의 부피와 황금 표준인 HF-MRI 측정치 간의 상관관계를 기반으로 한다.
• 훈련된 모델은 커뮤니티 사용과 재현 가능성을 위해 FreeSurfer 플랫폼을 통해 공개된다.

실험 결과

연구 질문

• RQ1 초해상도 딥러닝이 저장력 MRI를 진단 수준의 해상도로 효과적으로 향상시킬 수 있는가?
• RQ2 초해상도 향상된 LF-MRI 영상에서의 분할 결과가 황금 표준인 고장력 MRI 측정치와 어느 정도 상관관계를 가지는가?
• RQ3 자동 분할 도구가 원시 저장력 스캔 대신 초해상도 향상된 저장력 MRI에 적용되었을 때 신뢰할 수 있는 성능을 보일 수 있는가?
• RQ4 SR 방법이 히포크암프스, 시상, 전체 대뇌와 같은 주요 신경해부학적 구조를 얼마나 잘 유지하는가?

주요 결과

• 표준 도구를 사용해 LF-MRI 스캔을 직접 분할하면 해상도가 낮고 노이즈가 많아 성능이 열악하다.
• 초해상도 향상 후 분할 정확도가 크게 향상되었으며, 고장력 MRI와 비교해 히포크암프스 부피에 대해 r = 0.85의 상관관계를 보였다.
• SR 영상에서 측정한 시상 부피는 고장력 기준값과 매우 높은 상관관계(r = 0.84)를 보였다.
• 전체 대뇌 분할은 가장 강한 상관관계(r = 0.92)를 기록하여 대규모 해부학적 구조의 잘 유지됨을 시사했다.
• 초해상도 방법은 저장력 T1- 및 T2- weighted 시퀀스에서 1 mm 등방성 MPRAGE 유사 영상을 성공적으로 합성하였다.
• 제안된 SR 프레임워크는 FreeSurfer를 통해 공개되어 더 넓은 임상 및 연구 적용을 가능하게 하였다.