[논문 리뷰] MRI Tissue Magnetism Quantification through Total Field Inversion with Deep Neural Networks

Juan Liu, Kevin M. Koch|arXiv (Cornell University)|2019. 04. 11.

Advanced MRI Techniques and Applications참고 문헌 36인용 수 4

한 줄 요약

이 논문은 물리 기반의 합성 훈련 데이터를 사용하여 MRI 위상 데이터를 직접 역행하여 조직 자기화율을 추정하는 딥러닝 기반의 단일 단계 방법인 TFINet를 제안한다. 자장 정적 시뮬레이션을 기반으로 임의의 교란을 가한 데이터로 훈련된 TFINet는 기존의 TFI 및 다단계 QSM 방법보다 정확도와 잡음 억제 성능에서 뛰어나며, 추가 스캔 없이 표준 임상적 SWI 데이터로부터 실시간으로 고해상도 QSM 재구성을 가능하게 한다. 이로 인해 스타킹 또는 그림자 잡음이 최소화된다.

ABSTRACT

Quantitative susceptibility mapping (QSM) utilizes MRI signal phase to infer estimates of local tissue magnetism (magnetic 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 plague QSM algorithms. To overcome these limitations, a robust deep-learning-based single-step QSM reconstruction approach is proposed and demonstrated. This neural network was trained using magnetostatic physics simulations based on in-vivo data sources. Random perturbations were added to the physics simulations to provide sufficient input-label pairs for the training purposes. The network was quantitatively tested using gold-standard in-silico labeled datasets against established QSM total field inversion approaches. In addition, the algorithm was applied to susceptibility-weighted imaging (SWI) data collected on a cohort of clinical subjects with brain hemmhorage. When quantitatively compared against gold-standard in-silico labels, the proposed algorithm outperformed the existing comparable approaches. High quality QSM were consistently estimated from clinical susceptibility-weighted data on 100 subjects without any noticeable inversion failures. The proposed approach was able to robustly generate high quality QSM with improved accuracy in in-silico gold-standard experiments. QSM produced by the proposed method can be generated in real-time on existing MRI scanner platforms and provide enhanced visualization and quantification of magnetism-based tissue contrasts.

연구 동기 및 목표

• 기존 QSM 방법의 한계인 정규화 파rameter 조정, 계산 부담, 배경 필드 제거 과정에서 발생하는 잡음 등을 극복하기 위해.
• 두 단계 처리 과정과 그에 따른 오차 전파를 피할 수 있는 강건한 단일 단계 총장역행(TFI) 방법을 개발하기 위해.
• 추가 스캔 없이 표준 임상적 자기화율 영상(SWI) 데이터로부터 직접 고품질 QSM 재구성을 가능하게 하기 위해.
• 뇌내출혈과 같은 큰 자기화율 변화가 있는 영역에서 자기화율 추정의 정확도와 일관성을 향상시키기 위해.
• 다양한 병변(출혈, 칼슘화 등)이 있는 실제 환자 데이터에 적용하여 임상적 유용성을 입증하기 위해.

제안 방법

• 3D 인코더-디코더 U-Net 아키텍처에 게이팅 컨볼루션, 확장 컨볼루션, 잔차 연결 및 비국소 블록을 통합하여 3D 자기화율 맵핑을 위한 네트워크를 설계하였다.
• 실제 생체 해부 모델을 기반으로 자장 정적 물리 시뮬레이션을 사용해 생성한 합성 MRI 위상 데이터로 네트워크를 훈련시켰다.
• 훈련 분포의 다양성과 일반화 능력을 향상시키기 위해 시뮬레이션된 위상 데이터에 임의의 교란을 적용하였다.
• 모델은 엔드 투 엔드 총장역행을 수행하여 배경 필드 제거 단계 없이 원시 위상 이미지를 직접 자기화율 맵으로 매핑한다.
• 3D 부피 데이터에서 훈련의 안정성과 수렴 성능 향상을 위해 L2 손실 함수와 배치 정규화를 사용하였다.
• 황금 표준인 시뮬레이션 데이터셋을 사용해 검증하였으며, 뇌내출혈 환자 100명의 임상적 SWI 스캔에 적용하였다.

실험 결과

연구 질문

• RQ1 물리 기반 시뮬레이션 데이터로 훈련된 딥러닝 모델이 기존의 TFI 및 다단계 QSM 방법보다 뛰어난 QSM 재구성 정확도를 달성할 수 있는가?
• RQ2 제안된 단일 단계 TFI 방법이 수동 정규화 파rameter 조정이 필요 없고 계산 시간을 줄일 수 있는가?
• RQ3 모델이 해상도가 낮고 비등방성인 임상적 SWI 데이터에 대해 성능 저하 없이 일반화 가능한가?
• RQ4 출혈성 병변과 같은 자기화율 변화가 심한 영역에서 스타킹 및 그림자 잡음 억제 성능이 얼마나 우수한가?
• RQ5 임상 스캔에서 미세한 해부학적 구조를 유지하고, 이형성(예: 칼슘화)과 상형성(예: 출혈) 병변을 정확히 구분할 수 있는가?

주요 결과

• TFInet는 100개의 합성 테스트 데이터셋에서 모든 비교 방법 대비 가장 낮은 RMSE(28.5±3.1%)와 HFEN(26.5±2.4%)를 기록하여, SS-TV-QSM, LN-QSM, PDF+MEDI, RESHARP+TKD보다 유의미하게 뛰어난 성능을 보였다.
• 황금 표준 자기화율 맵과 거의 완벽한 구조 유사도를 보이며, 높은 SSIM(0.990±0.002)를 확보하였다.
• 임상 스캔에서 뇌내출혈 환자 100명 전원에 대해 명백한 역행 실패 없이 QSM 맵을 성공적으로 재구성하였다.
• 모든 해부학적 평면에서 스타킹 및 그림자 잡음을 효과적으로 억제하였으며, 특히 마이크로블리드 및 칼슘화와 같은 복잡한 자기화율 원천이 있는 영역에서 뛰어난 성능을 보였다.
• QSM에서 이형성 칼슘화(저강도)와 상형성 출혈(고강도) 병변을 명확히 분리할 수 있었으며, SWI의 병변 특성 분석 한계를 극복하였다.
• TFInet가 생성한 QSM 맵은 확대된 시각에서 미세한 구조를 유지하였고, 눈에 띄는 잡음이 없었으며, 다른 방법들은 블러링이나 왜곡을 보였다.