[논문 리뷰] Model-Informed Machine Learning for Multi-component T2 Relaxometry

Thomas Yu, Erick Jorge Canales Rodriguez외 10명|arXiv (Cornell University)|2020. 07. 20.

Advanced MRI Techniques and Applications참고 문헌 18인용 수 7

한 줄 요약

이 논문은 생물물리 모델에서 유도된 합성 MRI 신호를 활용하여 다중 에코 T₂ MR 데이터에서 직접 다성분 T₂ 분포를 재구성하는 데에 모델 기반 기계학습(MIML)을 제안한다. MIML는 정적 및 비정적 방법보다 22배에서 4980배 빠른 계산 속도를 기록하면서도 뛰어난 정확도, 노이즈에 대한 강건성, 그리고 건강한 환자와 다발성 경화증 환자 모두에서 해부학적으로 가장 일치하는 병변 대비 및 마이엘린 수분 분율(MWF) 지ap을 생성한다.

ABSTRACT

Recovering the T2 distribution from multi-echo T2 magnetic resonance (MR) signals is challenging but has high potential as it provides biomarkers characterizing the tissue micro-structure, such as the myelin water fraction (MWF). In this work, we propose to combine machine learning and aspects of parametric (fitting from the MRI signal using biophysical models) and non-parametric (model-free fitting of the T2 distribution from the signal) approaches to T2 relaxometry in brain tissue by using a multi-layer perceptron (MLP) for the distribution reconstruction. For training our network, we construct an extensive synthetic dataset derived from biophysical models in order to constrain the outputs with extit{a priori} knowledge of extit{in vivo} distributions. The proposed approach, called Model-Informed Machine Learning (MIML), takes as input the MR signal and directly outputs the associated T2 distribution. We evaluate MIML in comparison to non-parametric and parametric approaches on synthetic data, an ex vivo scan, and high-resolution scans of healthy subjects and a subject with Multiple Sclerosis. In synthetic data, MIML provides more accurate and noise-robust distributions. In real data, MWF maps derived from MIML exhibit the greatest conformity to anatomical scans, have the highest correlation to a histological map of myelin volume, and the best unambiguous lesion visualization and localization, with superior contrast between lesions and normal appearing tissue. In whole-brain analysis, MIML is 22 to 4980 times faster than non-parametric and parametric methods, respectively.

연구 동기 및 목표

• 뇌 조직에서 노이즈가 있는 실제 MRI 신호로부터 다성분 T₂ 분포를 정확하게 재구성하는 데 도전하는 것.
• 기존의 정적 및 비정적 T₂ 리라크소미 방법의 한계, 즉 노이즈에 대한 민감성과 높은 계산 비용을 극복하는 것.
• 조직 미세구조에 대한 사전 생물물리 지식을 통합하여 분포 재구성 성능을 향상시키는 기계학습 프레임워크를 개발하는 것.
• 마이엘린 수분 분율(MWF)과 같은 정량적 뇌영상 생물학적 지표를 위한 신속하고 강건하며 해부학적으로 타당한 T₂ 분포 추정을 가능하게 하는 것.
• 건강한 환자와 다발성 경화증 환자로부터의 합성, 고체외 및 고체내 스캔을 포함한 다양한 데이터 유형에서 방법을 검증하는 것.

제안 방법

• 다중 에코 T₂ MRI 신호를 직접 T₂ 분포로 매핑하도록 훈련된 다층 퍼셉트론(MLP) 신경망을 사용한다.
• 훈련 데이터셋은 뇌 조직의 생물물리 모델을 사용하여 합성되며, 실제적인 T₂ 리라크소미 행동과 신호 물리학(비이상적인 리플로잉 펄스를 위한 EPG 형식 포함)을 포함한다.
• 특히 마이엘린 수분(10–40 ms)과 세포내/세포외 수분(50–120 ms)과 같은 명확한 성분의 존재를 고려한 사전 지식으로 네트워크를 제약한다.
• 노이즈 수준이 다양한 신호 대 잡음비(SNR)를 가진 대규모 합성 데이터셋에서 엔드 투 엔드로 모델을 훈련시켜 강건성을 향상시킨다.
• 이 방법은 획득 시퀀스 유형에 관계없이 적용 가능하며, 다중 에코 스핀-에코 및 3D 기울기-스핀-에코 시퀀스에서 검증되었다.
• 공간 정규화 없이 병변 단위로 재구성하는 방식을 취하지만, 향후 지역 정규화 확장 가능성은 논의된다.

실험 결과

연구 질문

• RQ1 생물물리적으로 현실적인 합성 MRI 데이터로 훈련된 딥 뉴럴 네트워크가 기존의 정적 및 비정적 방법보다 다성분 T₂ 분포 재구성에서 뛰어난 성능을 보일 수 있는가?
• RQ2 제안된 모델 기반 기계학습 접근법이 다양한 SNR 수준에서 정확도 및 노이즈 강건성 측면에서 어떻게 성능을 발휘하는가?
• RQ3 제안된 방법으로 유도된 MWF 지도가 해부학적 및 조직학적 기준과 얼마나 높은 일치성을 보이는가?
• RQ4 다발성 경화증 환자에서 병변 시각화 및 병변과 정상 보이는 백질 간 대비 측면에서 이 방법은 어떻게 비교되는가?
• RQ5 기존의 T₂ 리라크소미 기법 대비 제안된 방법의 계산 속도 향상 정도는 어느 정도인가?

주요 결과

• 합성 데이터에서 MIML는 비정적 및 정적 방법보다 더 정확하고 노이즈에 강건한 T₂ 분포를 생성했다.
• 고체외 스캔에서 MIML 재구성 결과는 특히 고 SNR 조건에서 더 현실적으로 보였으며, NNLS 및 기타 방법보다 뛰어난 성능을 보였다.
• 건강한 고체내 환자에서 MIML로 유도된 MWF 지도는 T1 강조 해부학적 스캔과 가장 높은 일치성을 보였다.
• MIML로 유도된 MWF 지도는 마이엘린 부피의 조직학적 지도와 가장 높은 상관관계(r = 0.87)를 보였으며, 다른 방법보다 뛰어난 성능을 보였다.
• 다발성 경화증 환자에서 MIML는 더 명확한 경계선과 정상 보이는 백질과의 높은 대비로 병변을 더 우수하게 시각화했다.
• 전뇌 분석에서 MIML는 비정적 및 정적 방법보다 각각 22배에서 4980배 빠른 속도를 기록했다.