[논문 리뷰] MoDL-QSM: Model-based Deep Learning for Quantitative Susceptibility Mapping

Ruimin Feng, Jiayi Zhao외 9명|arXiv (Cornell University)|2021. 01. 21.

Advanced MRI Techniques and Applications참고 문헌 18인용 수 4

한 줄 요약

MoDL-QSM는 유도율 텐서 영상(STI) 물리 모델을 컷널 신경망과 통합하여 정량적 유도율 영상(QSM) 정확도를 향상시키는 모델 기반 딥러닝 프레임워크를 제안한다. STI에서 유도된 위상 성분(ki13, ki23, ki33)을 학습 레이블로 활용함으로써 스트레일링 아티팩트를 감소시키고, RMSE, SSIM, HFEN 지표로 검증된 최신 딥러닝 QSM 방법들보다 뛰어난 성능을 달성한다.

ABSTRACT

Quantitative susceptibility mapping (QSM) has demonstrated great potential in quantifying tissue susceptibility in various brain diseases. However, the intrinsic ill-posed inverse problem relating the tissue phase to the underlying susceptibility distribution affects the accuracy for quantifying tissue susceptibility. Recently, deep learning has shown promising results to improve accuracy by reducing the streaking artifacts. However, there exists a mismatch between the observed phase and the theoretical forward phase estimated by the susceptibility label. In this study, we proposed a model-based deep learning architecture that followed the STI (susceptibility tensor imaging) physical model, referred to as MoDL-QSM. Specifically, MoDL-QSM accounts for the relationship between STI-derived phase contrast induced by the susceptibility tensor terms (ki13,ki23,ki33) and the acquired single-orientation phase. The convolution neural networks are embedded into the physical model to learn a regularization term containing prior information. ki33 and phase induced by ki13 and ki23 terms were used as the labels for network training. Quantitative evaluation metrics (RSME, SSIM, and HFEN) were compared with recently developed deep learning QSM methods. The results showed that MoDL-QSM achieved superior performance, demonstrating its potential for future applications.

연구 동기 및 목표

• QSM의 불량한 역문제로 인한 조직 유도율 정량화의 정확도 저하와 스트레일링 아티팩트를 해결하기 위해.
• 관측된 위상 데이터와 이론적 정방향 위상 예측 간 격차를 물리 모델을 딥러닝에 통합함으로써 메우기 위해.
• STI에서 유도된 위상 성분을 감독으로 사용하여 물리 기반 프레임워크 내에 컨volution 신경망을 통합함으로써 QSM 재구성 정확도를 향상시키기 위해.
• 학습된 정규화를 통해 사전 물리 지식을 활용하여 유도율 영상의 정확성과 내구성을 향상시키는 방법을 개발하기 위해.

제안 방법

• 이 방법은 유도율 텐서 영상(STI) 모델을 딥러닝 프레임워크에 통합하여, 유도율 텐서 항목(ki13, ki23, ki33)과 획득한 단일 방향 위상 간의 관계를 명시적으로 모델링한다.
• 컨volution 신경망을 물리 모델 내에 통합하여 조직 유도율 분포에 대한 사전 지식을 코딩한 정규화 항을 학습한다.
• 네트워크는 ki33과 ki13, ki23의 위상 기여도를 레이블로 사용하여 위상-유도율 매핑의 정확성을 학습할 수 있도록 훈련된다.
• 훈련 및 추론 중 모두 STI 정방향 모델을 강제 적용함으로써 물리적 일관성을 유지하도록 아키텍처가 설계되었다.
• STI 모델의 미분 가능 구현을 사용하여 기울기 기반 최적화를 통한 엔드 투 엔드 훈련을 허용한다.
• 최신 딥러닝 기반 QSM 방법들과의 비교를 위해 RMSE, SSIM, HFEN 지표를 사용한 정량 평가를 수행한다.

실험 결과

연구 질문

• RQ1 STI 물리 모델을 딥러닝 프레임워크에 통합함으로써 정량적 유도율 영상의 정확도를 향상시킬 수 있는가?
• RQ2 STI에서 유도된 위상 성분(ki13, ki23, ki33)을 학습 레이블로 사용할 경우, 표준 위상 데이터와 비교해 재구성 품질에 어떤 영향을 미치는가?
• RQ3 모델 기반 딥러닝은 순수하게 데이터 기반 딥러닝 접근법에 비해 QSM에서 스트레일링 아티팩트를 얼마나 줄이는가?
• RQ4 네트워크 아키텍처에 물리적 제약 조건을 통합함으로써 더 강건하고 정확한 유도율 지도를 도출할 수 있는가?

주요 결과

• MoDL-QSM는 정량 평가에서 뛰어난 성능을 보이며, 최근의 딥러닝 기반 QSM 방법들보다 낮은 RMSE, 높은 SSIM, 감소된 HFEN을 기록했다.
• STI 물리 모델을 딥러닝에 통합함으로써 재구성된 유도율 지도에서 스트레일링 아티팩트가 크게 감소했다.
• 학습된 정규화를 통해 물리적 사전 지식를 효과적으로 활용함으로써 기존의 딥러닝 접근법을 능가하는 성능을 달성했다.
• ki33과 ki13, ki23의 위상 기여도를 레이블로 사용한 훈련은 네트워크가 더 정확하고 물리적으로 일관된 매핑을 학습하도록 했다.