[논문 리뷰] Model-based Synthetic Data-driven Learning (MOST-DL): Application in Single-shot T2 Mapping with Severe Head Motion Using Overlapping-echo Acquisition

Qinqin Yang, Yanhong Lin외 13명|arXiv (Cornell University)|2021. 07. 30.

Advanced MRI Techniques and Applications인용 수 8

한 줄 요약

이 논문은 블로흐 시뮬레이션과 MRI 물리 모델을 결합하여 실제와 유사한 합성 MRI 데이터를 생성하는 모델 기반 합성 데이터 기반 학습 프레임워크인 MOST-DL을 제안한다. 이는 캘리브레이션 없는 병렬 재구성과 샷 내부 운동 보정을 통합하여 심한 머리 운동 조건에서도 운동에 강건한 단일 스탑 T2 매핑을 가능하게 하며, 실제 인간 뇌 영상에서 가로지르기 현상과 잡음 등을 크게 감소시킨다.

ABSTRACT

Use of synthetic data has provided a potential solution for addressing unavailable or insufficient training samples in deep learning-based magnetic resonance imaging (MRI). However, the challenge brought by domain gap between synthetic and real data is usually encountered, especially under complex experimental conditions. In this study, by combining Bloch simulation and general MRI models, we propose a framework for addressing the lack of training data in supervised learning scenarios, termed MOST-DL. A challenging application is demonstrated to verify the proposed framework and achieve motion-robust T2 mapping using single-shot overlapping-echo acquisition. We decompose the process into two main steps: (1) calibrationless parallel reconstruction for ultra-fast pulse sequence and (2) intra-shot motion correction for T2 mapping. To bridge the domain gap, realistic textures from a public database and various imperfection simulations were explored. The neural network was first trained with pure synthetic data and then evaluated with in vivo human brain. Both simulation and in vivo experiments show that the MOST-DL method significantly reduces ghosting and motion artifacts in T2 maps in the presence of unpredictable subject movement and has the potential to be applied to motion-prone patients in the clinic.

연구 동기 및 목표

• 딥 러닝 기반 MRI 재구성에서 실제 학습 데이터가 부족하거나 확보되지 않을 경우의 과제를 해결하기 위해.
• 심한 머리 운동과 같은 복잡하고 임상적으로 관련성이 높은 조건에서 합성 데이터와 실제 MRI 데이터 사이의 도메인 갭을 극복하기 위해.
• 예측 불가능한 환자 운동 조건에서도 단일 스탑 오버랩 피그먼트 MRI 시퀀스에서 강건한 T2 매핑을 가능하게 하기 위해.
• 물리 기반 모델링과 딥 러닝을 통합하여 일반화 능력과 임상 적용 가능성을 향상시킬 수 있는 프레임워크를 개발하기 위해.

제안 방법

• 실제 촬영 조건을 반영하여 블로흐 방정식 시뮬레이션과 일반 MRI 시스템 모델을 조합하여 k-space 데이터를 시뮬레이션함으로써 합성 MRI 데이터를 생성한다.
• 공개된 MRI 데이터베이스에서 얻은 실제 조직 텍스처를 통합하여 합성 데이터의解부학적 정확도를 향상시킨다.
• 기울기 지연, 공진 주파수 이격, 노이즈 등의 일반적인 스캐너 결함을 시뮬레이션하여 도메인의 현실성 향상에 기여한다.
• 실제 학습 쌍이 필요 없이 순수한 합성 데이터에서 엔드 투 엔드로 딥 네트워크를 훈련시킨다.
• 이중 단계 파이프라인을 구현한다: (1) 초고속 촬영을 위한 캘리브레이션 없는 병렬 영상 재구성, (2) T2 매핑을 위한 샷 내부 운동 보정.
• 합성 데이터를 활용해 운동에 영향을 받지 않는 특징을 학습시켜 촬영 중 예측 불가능한 머리 운동에 대한 강건성을 확보한다.

실험 결과

연구 질문

• RQ1 심한 머리 운동 조건에서 합성 데이터와 실제 MRI 데이터 사이의 도메인 갭을 효과적으로 해소할 수 있는 모델 기반 합성 데이터 생성 프레임워크는 가능한가?
• RQ2 합성 데이터로만 훈련된 딥 러닝 모델이 운동에 의한 왜곡 조건에서 실제 데이터 기반 모델과 비교해 유사한 성능을 달성할 수 있는가?
• RQ3 제안된 MOST-DL 프레임워크는 단일 스탑 오버랩 피그먼트 T2 매핑에서 가로지르기 현상과 운동 잡음 등을 얼마나 효과적으로 감소시키는가?
• RQ4 실제 학습 데이터가 필요 없이 운동에 민감한 환자를 포함한 임상적 상황에 적용 가능한가?
• RQ5 실제 조직 텍스처와 스캐너 결함 시뮬레이션은 훈련된 네트워크의 일반화 능력을 향상시키는 데 어떤 역할을 하는가?

주요 결과

• MOST-DL 프레임워크는 단일 스탑 촬영 중 심한 예측 불가능한 머리 운동 조건에서도 T2 맵에서 가로지르기 현상과 운동 잡음을 크게 감소시킨다.
• 실제 인간 뇌 영상에서 합성 데이터로만 훈련된 모델이 실제 데이터 기반 기준 모델과 비교해 진단 수준의 T2 맵을 도출함을 입증하였다.
• 블로흐 시뮬레이션, 실제 조직 텍스처, 결함 모델링의 조합이 합성 데이터와 실제 데이터 사이의 도메인 갭을 상당히 감소시켰다.
• 추가 캘리브레이션 스캔이나 실제 학습 데이터 없이도 운동에 강건한 T2 매핑을 가능하게 하여 임상 적용 가능성 향상에 기여하였다.
• 시뮬레이션 및 실재 영상 결과는 운동 유도 단계 및 신호 비일관성에도 불구하고 T2 정량화의 높은 정확도 유지가 확인되었다.
• 이 프레임워크는 운동에 민감한 환자 집단에 일반화 가능하며, 일상적인 MRI 프로토콜에 임상적 도입 가능성이 높다는 것을 시사한다.