[논문 리뷰] Learning-based Single-step Quantitative Susceptibility Mapping Reconstruction Without Brain Extraction

Hongjiang Wei, Steven Cao외 5명|arXiv (Cornell University)|2019. 05. 15.

Advanced MRI Techniques and Applications참고 문헌 54인용 수 7

한 줄 요약

이 논문은 뇌 추출 및 배경 위상 제거를 생략하는 딥러닝 기반 단일단계 QSM(정량적 자화율 맵핑) 방법 autoQSM을 제안한다. 209명의 환자로부터 확보한 이단계 QSM 맵을 기반으로 수정된 U-Net을 훈련시켜, 뇌 경계 근처의 피질 및 피부질 구조, 특히 표면 정맥과 천골수도로 등을 포함한 정확한 자화율 맵을 높은 정밀도로 복원한다. 이는 외부 분포 데이터(예: 쥐 뇌 및 병변이 있는 인간 뇌)에서도 성능을 유지한다.

ABSTRACT

Quantitative susceptibility mapping (QSM) estimates the underlying tissue magnetic susceptibility from MRI gradient-echo phase signal and typically requires several processing steps. These steps involve phase unwrapping, brain volume extraction, background phase removal and solving an ill-posed inverse problem. The resulting susceptibility map is known to suffer from inaccuracy near the edges of the brain tissues, in part due to imperfect brain extraction, edge erosion of the brain tissue and the lack of phase measurement outside the brain. This inaccuracy has thus hindered the application of QSM for measuring the susceptibility of tissues near the brain edges, e.g., quantifying cortical layers and generating superficial venography. To address these challenges, we propose a learning-based QSM reconstruction method that directly estimates the magnetic susceptibility from total phase images without the need for brain extraction and background phase removal, referred to as autoQSM. The neural network has a modified U-net structure and is trained using QSM maps computed by a two-step QSM method. 209 healthy subjects with ages ranging from 11 to 82 years were employed for patch-wise network training. The network was validated on data dissimilar to the training data, e.g. in vivo mouse brain data and brains with lesions, which suggests that the network has generalized and learned the underlying mathematical relationship between magnetic field perturbation and magnetic susceptibility. AutoQSM was able to recover magnetic susceptibility of anatomical structures near the edges of the brain including the veins covering the cortical surface, spinal cord and nerve tracts near the mouse brain boundaries. The advantages of high-quality maps, no need for brain volume extraction and high reconstruction speed demonstrate its potential for future applications.

연구 동기 및 목표

• 불완전한 뇌 추출과 가장자리 침식으로 인해 기존 QSM이 뇌 조직 가장자리에서 정확도가 떨어지는 문제를 해결한다.
• QSM 복원 과정에서 수동 또는 알고리즘 기반의 뇌 부피 추출 및 배경 위상 제거가 필요 없도록 한다.
• 총 위상에서 자화율 맵으로의 직접 매핑을 학습함으로써 복원 품질과 속도를 향상시킨다.
• 피질 층과 표면 정맥과 같은 뇌 표면 근처의 해부학적 구조물의 정확한 자화율 맵핑을 가능하게 한다.
• 재훈련 없이도 다양한 데이터 유형(예: 생체 내 쥐 뇌 및 병변이 있는 인간 뇌)으로 일반화할 수 있도록 한다.

제안 방법

• 총 위상 이미지에서 자화율 맵으로의 직접 매핑을 학습하기 위해 수정된 U-Net 신경망 아키텍처를 제안한다.
• 기본적인 이단계 QSM 방법으로 생성한 QSM 맵을 정답 데이터로 사용해 네트워크를 훈련시킨다.
• 209명의 건강한 인간 환자(연령 11–82세)로부터 확보한 T2*-가중치 기반 기울기-에코 MRI 데이터를 사용해 패치 기반 훈련을 수행한다.
• 위상 풀기 또는 배경 필드 제거가 필요 없이, 네트워크를 엔드 투 엔드로 훈련시어 자화율을 예측한다.
• 네트워크의 인덕티브 바이어스를 활용해 QSM 복원의 불안정한 역문제를 암묵적으로 모델링한다.
• 재조정 없이도 새로운 데이터(예: 생체 내 쥐 뇌 및 병변이 있는 인간 뇌 스캔)에 직접 적용 가능하다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 뇌 추출 및 배경 위상 제거와 같은 전통적 QSM 전처리 단계를 생략하면서도 정확도를 유지하거나 향상시킬 수 있는가?
• RQ2 단일단계 학습 기반 방법이 쥐 뇌 및 병변이 있는 인간 뇌와 같은 외부 분포 데이터로 얼마나 잘 일반화되는가?
• RQ3 기존 방법이 실패하는 뇌 표면 근처에서, 피질 정맥 및 천골수도로와 같은 자화율 값을 정확히 복원할 수 있는가?
• RQ4 엔드 투 엔드 학습 기반 방법의 복원 품질과 속도는 기존의 이단계 QSM과 비교해 어떻게 다른가?
• RQ5 물리적 모델링 없이도 네트워크가 자기장 편향과 조직 자화율 간의 기초 물리적 관계를 학습하는가?

주요 결과

• autoQSM는 일반적으로 기존 QSM에서 흐릿해지거나 손실되는 피질 표면을 덮고 있는 표면 정맥의 자기 자화율을 성공적으로 복원한다.
• 뇌 추출이 필요 없어, 불완전한 세그멘테이션으로 인한 가장자리 아티팩트가 제거되어 고품질의 자화율 맵을 확보한다.
• autoQSM는 생체 내 쥐 뇌 데이터로도 잘 일반화되어, 뇌 경계 근처의 천골수도 및 신경 줄기의 정확한 자화율 맵을 생성한다.
• 병변이 있는 인간 뇌에 대해서도 신뢰할 수 있는 결과를 도출하여 병변 유형의 조직 변화에 대한 강건성을 입증한다.
• 단일단계 추론로 인해 높은 복원 속도를 확보하여 임상 및 연구 응용에 적합하다.
• 학습된 매핑이 조직 경계 근처의 작은 해부학적 구조를 정확히 복원함으로써, 자기장 편향과 자화율 간의 물리적 관계를 잘 포착하고 있음을 입증한다.