[논문 리뷰] Deep learning-based parameter mapping for joint relaxation and diffusion tensor MR Fingerprinting

Carolin M. Pirkl, Pedro A. Gómez외 14명|arXiv (Cornell University)|2020. 05. 05.

Advanced Neuroimaging Techniques and Applications참고 문헌 9인용 수 11

한 줄 요약

이 논문은 단일의 고도로 과도하게 샘플링된 자기공명 영상 분석(MRF) 스캔에서 T1, T2 리아케이션 및 산란 텐서 매개변수를 동시로 정량화하는 딥러닝 기반 방법을 제안한다. 3차원 나선형 MRF 시퀀스에 세 축에 걸쳐 산란 인코딩 기울기를 적용하고 U-Net 컨볼루션 신경망을 사용함으로써, 계산 비용이 큰 사전 매칭 사전(dictionary matching)을 회피하고 임상 기준과 잘 일치하는 정확하고 아티팩트에 강건한 매개변수 지도를 얻는다. 이는 다발성 경화증 병변에서도 성립한다.

ABSTRACT

Magnetic Resonance Fingerprinting (MRF) enables the simultaneous quantification of multiple properties of biological tissues. It relies on a pseudo-random acquisition and the matching of acquired signal evolutions to a precomputed dictionary. However, the dictionary is not scalable to higher-parametric spaces, limiting MRF to the simultaneous mapping of only a small number of parameters (proton density, T1 and T2 in general). Inspired by diffusion-weighted SSFP imaging, we present a proof-of-concept of a novel MRF sequence with embedded diffusion-encoding gradients along all three axes to efficiently encode orientational diffusion and T1 and T2 relaxation. We take advantage of a convolutional neural network (CNN) to reconstruct multiple quantitative maps from this single, highly undersampled acquisition. We bypass expensive dictionary matching by learning the implicit physical relationships between the spatiotemporal MRF data and the T1, T2 and diffusion tensor parameters. The predicted parameter maps and the derived scalar diffusion metrics agree well with state-of-the-art reference protocols. Orientational diffusion information is captured as seen from the estimated primary diffusion directions. In addition to this, the joint acquisition and reconstruction framework proves capable of preserving tissue abnormalities in multiple sclerosis lesions.

연구 동기 및 목표

• 단일 MR 분석 스캔에서 T1, T2 리아케이션 및 전체 산란 텐서 매개변수를 동시에 정량적으로 매핑할 수 있도록 하는 것.
• 특히 산란 텐서 정량화에 있어 고차원 매개변수 공간에서 기존의 사전 기반 MRF의 확장성 한계를 극복하는 것.
• 과도하게 샘플링된, 아티팩트가 있는 데이터로부터 직접 재구성하기 위해 딥러닝을 활용하여 MRF의 운동 아티팩트 및 영상 오염에 대한 민감도를 줄이는 것.
• 다발성 경화증 병변에서의 조직 이상을 동시 매개변수 재구성 과정 동안 유지하여 진단적 관련성을 확보하는 것.
• 기하급수적인 사전 계산에 의존하지 않는 다중 매개변수 MRF를 위한 확장 가능한 종단간 딥러닝 프레임워크의 실현 가능성을 입증하는 것.

제안 방법

• T1, T2 및 방향성 산란 정보를 동시에 인코딩하기 위해 세 축에 걸쳐 산란 인코딩 기울기를 적용한 3차원 나선형 MRF 시퀀스를 설계하였다.
• 스пат리오텀포럴 MRF 신호 데이터로부터 T1, T2 및 산란 텐서 등의 다중 정량적 매개변수 지도를 직접 회귀하는 U-Net 기반의 컨볼루션 신경망(CNN)을 적용하였다.
• CNN은 과도하게 샘플링된, 아티팩트 영향을 받는 MRF 신호 변화와 조직 매개변수 간의 암묵적인 물리적 관계를 학습하여 명시적 사전 매칭을 회피한다.
• 편극성 없는 산란 인코딩 기울기를 사용하여 에디스 전류로 인한 블러링을 최소화하고, 나선형 k-스페이스 궤적을 활용하여 스캔 시간을 단축하고 EPI 왜곡에 대한 민감도를 낮춘다.
• 모델은 시뮬레이션 및 실재 데이터를 기반으로 훈련되었으며, 운동 및 영상 아티팩트에 대한 강건성을 향상시키기 위해 데이터 증강 및 정규화 기법을 적용하였다.
• 단일 촬영으로 스칼라 산란 지표(예: 분할 이방성도, 평균 산란도) 및 방향성 산란 정보를 동시에 공동 재구성할 수 있다.

실험 결과

연구 질문

• RQ1 3차원 산란 인코딩 기울기를 사용하여 단일의 고도로 가속화된 MRF 촬영이 T1, T2 및 전체 산란 텐서 정보를 동시에 인코딩할 수 있는가?
• RQ2 사전 매칭 없이, 과도하게 샘플링되고 아티팩트가 있는 MRF 데이터로부터 딥러닝 모델이 정확한 T1, T2 및 산란 텐서 지도를 효과적으로 재구성할 수 있는가?
• RQ3 예측된 매개변수 지도 및 유도된 스칼라 산란 지표가 기존의 임상 기준 프로토콜과 얼마나 잘 일치하는가?
• RQ4 운동 및 과도하게 샘플링된 아티팩트 조건 하에서, 다발성 경화증 병변에서 관찰되는 조직 이상은 어느 정도 유지되는가?
• RQ5 여러 MRF 반복 동안 산란 인코딩 기울기를 통합함으로써 산란 텐서 추정의 정밀도는 어떻게 영향을 받는가?

주요 결과

• 제안된 CNN 기반 재구성 방법은 T1, T2 및 분할 이방성도, 평균 산란도와 같은 스칼라 산란 지표에서 임상 기준 프로토콜과 높은 일치도를 보였다.
• 모델은 백질 영역에서 주요 산란 방향을 정확하게 추정함으로써 방향성 산란 정보를 효과적으로 포착하였다.
• 스피ral 과도 샘플링 및 동공 운동으로 인한 아티팩트에 대해 강건성을 입증하였으며, 다발성 경화증 환자에서 운동 유도 오염을 효과적으로 완화하였다.
• 다발성 경화증 환자에서 심한 두통 운동이 있었음에도 불구하고 모델은 병변 내 조직 이상을 유지하였으며, 이는 진단적 관련성을 시사한다.
• 공동 촬영 및 재구성 프레임워크는 고도로 과도하게 샘플링되고 운동이 있는 조건에서도 이미지 품질과 매개변수 정확도를 유지할 수 있음을 입증하였다.
• 사전의 기하급수적 증가 문제를 회피함으로써 MRF의 확장 가능성을 확보하였으며, 추가적인 정량적 대조 영역으로의 확장에 길을 열었다.