[논문 리뷰] Deep Quantitative Susceptibility Mapping for Background Field Removal and Total Field Inversion

Juan Liu, Kevin M. Koch|arXiv (Cornell University)|2019. 05. 28.

Advanced MRI Techniques and Applications참고 문헌 38인용 수 3

한 줄 요약

이 논문은 단일 콘trast 임상 SWI 데이터로부터 정량적 순화도 영상(QSM)을 위한 배경 필드 제거와 총 필드 역행렬을 동시에 수행하는 딥러닝 프레임워크인 QSMAllNet을 제안한다. 실제 QSM 스캔에서 유도된 물리 기반의 합성 데이터로 훈련된 모델은 기존 최고 수준의 방법들에 비해 더 높은 정확도와 더 적은 아티팩트를 달성하여, 표준 임상 프로토콜을 초과하는 추가 스캔 없이도 강력하고 고해상도 QSM 재구성 가능하다.

ABSTRACT

Quantitative susceptibility mapping (QSM) utilizes MRI signal phase to estimate local tissue susceptibility, which has been shown useful to provide novel image contrast and as biomarkers of abnormal tissue. QSM requires addressing a challenging post-processing problem: filtering of image phase estimates and inversion of the phase to susceptibility relationship. A wide variety of quantification errors, robustness limitations, and artifacts constraints QSM clinical translation. To overcome these limitations, a robust deep-learning-based QSM reconstruction approach is proposed to perform background field removal and susceptibility inversion simultaneously from input MRI phase images. Synthetic training data based on in-vivo data sources and physics simulations were used for training. The network was quantitatively tested using gold-standard in-silico labeled dataset against established background field removal and QSM inversion approaches. In addition, the algorithm was applied to a QSM challenge data and clinical susceptibility-weighted imaging (SWI) data. When quantitatively compared against gold-standard in-silico labels, the proposed algorithm outperformed the existing comparable background field removal approaches and QSM reconstruction algorithms. The QSM challenge data and clinical SWI data demonstrated that the proposed approach was able to robustly generate high quality local field and QSM with improved accuracy.

연구 동기 및 목표

• 큰 순화도 변화가 있는 영역에서 잔류 아티팩트, 장시간 계산, 파arameter 조정이 필요한 기존 QSM 재구성 방법의 한계를 해결하기 위해.
• QSM에 대한 지도 학습 데이터 부족 문제를 해결하기 위해 실제 QSM 데이터셋과 물리적 순화도-필드 모델을 사용해 합성 훈련 데이터를 생성하기 위해.
• 배경 필드 제거와 순화도 역행렬을 동시에 수행하는 단일의 종단 간(end-to-end) 딥러닝 모델을 개발하여 순차적 처리에서 발생하는 오차 전파를 줄이기 위해.
• 추가 스캔이나 다중 방향 획득 없이도 일반적으로 획득되는 임상 SWI 데이터에서 고품질, 아티팩트 없는 QSM 재구성을 가능하게 하기 위해.
• 특히 출혈 및 석회화와 같은 병리학적 영역 근처에서 진단 유용성을 향상시키기 위해 이미지 품질과 정량화 정확도를 향상시키기 위해.

제안 방법

• 모델는 실제 QSM 스캔에서 유도된 200개의 실제 QSM 데이터셋을 기반으로 물리 기반의 전방 모델을 사용해 생성한 합성 데이터셋으로 훈련된다. 이 모델은 조직 순화도를 국소 자기장으로 매핑한다.
• 확장된 컨볼루션(convolution)을 사용한 U-Net 유사 컨볼루션 신경망 아키텍처를 사용하여 비국소 순화도 효과를 포착하기 위해 수용장역을 확장한다.
• 원시 단계 이미지에서 국소 필드 및 순화도 지도를 동시에 예측하기 위해 공통 잠재공간을 공유하는 종단 간 최적화를 위한 네트워크를 설계한다.
• 훈련 목표는 합성 데이터에서 예측된 국소 필드 및 순화도 지도와 진짜 값 간의 L2 손실을 최소화하는 것이다.
• 배경 필드 제거와 순화도 역행렬을 위한 단일 네트워크를 활용하여 별도의 네트워크나 순차적 처리가 필요 없도록 한다.
• 메모리 효율적이고 계산적으로 경량화된 아키텍처를 설계하여 임상 데이터에서의 빠른 추론을 가능하게 한다.

실험 결과

연구 질문

• RQ1 합성 데이터로 훈련된 딥러닝 모델이 기존의 두 단계 및 단일 단계 방법에 비해 배경 필드 제거 및 QSM 역행렬에서 더 뛰어난 성능을 달성할 수 있는가?
• RQ2 제안된 종단 간 네트워크는 전통적인 QSM 재구성 기법에 비해 스테이킹 및 그림자 아티팩트를 어느 정도 감소시키는가?
• RQ3 비등방성 해상도와 복잡한 병변(예: 뇌내 출혈 및 석회화)이 있는 임상 SWI 데이터에 대해 모델이 일반화 가능한가?
• RQ4 배경 필드 제거와 순화도 역행렬을 동시에 최적화함으로써 별도의 처리 단계에서 발생하는 오차 전파를 제거할 수 있는가?
• RQ5 추가 획득 없이도 표준 임상 SWI 시퀀스에서 고품질 QSM 지도를 생성할 수 있는가?

주요 결과

• 골드 스탠다드인 시뮬레이션 레이블이 부여된 데이터셋에서 QSMAllNet은 기존의 배경 필드 제거 및 QSM 재구성 방법보다 정량적 지표에서 뛰어난 성능을 보였으며, 평균 절대 오차는 낮고 진짜 값과의 상관계수는 높았다.
• 임상 SWI 데이터에서 QSMAllNet은 더 뚜렷한 이미지 선명도, 더 명확한 조직 구조를 보였고, 출혈 영역 근처에서 스테이킹이나 그림자 아티팩트가 보이지 않았다. 이는 SS-TV-QSM, PDF+MEDI, RESHARP+TKD, LN-QSM와는 대조적이다.
• 큰 순화도 변화가 있는 영역(예: 미세출혈 및 석회화 근처)에서 잔류 배경 필드를 성공적으로 제거하고 그림자 아티팩트를 제거했으며, 시각적 및 정량적 평가로 확인되었다.
• RESHARP+TKD 및 PDF+MEDI와 같은 두 단계 방법에 비해 QSMAllNet은 단일 네트워크에서 두 단계를 동시에 수행함으로써 더 높은 정확도와 오차 전파 감소를 달성했다.
• 비등방성 임상 SWI 데이터에서 강력한 성능을 보였으며, 전용 획득 프로토콜이 필요 없이 진단적으로 유용한 QSM 지도를 생성했다.
• 확장된 컨볼루션의 사용은 비국소 순화도 추정에 효과적이었으며, 아티팩트 억제 및 구조 보존에 기여했다.