[논문 리뷰] MRSNet: Metabolite Quantification from Edited Magnetic Resonance Spectra With Convolutional Neural Networks

Max Chandler, Christopher W. Davies‐Jenkins외 2명|arXiv (Cornell University)|2019. 09. 06.

Advanced MRI Techniques and Applications참고 문헌 51인용 수 11

한 줄 요약

MRSNet는 3T에서 MEGA-PRESS를 사용하여 실험적 피험체에서 평가된 바에 비해 LCModel 및 jMRUI와 같은 최신 기술보다 더 높은 정확도와 정밀도를 달성하기 위해 편집된 스펙트럼에서 직접 상대 농도를 회귀하는 2차원 합성곱 신경망이다.

ABSTRACT

Quantification of metabolites from magnetic resonance spectra (MRS) has many applications in medicine and psychology, but remains a challenging task despite considerable research efforts. For example, the neurotransmitter $γ$-aminobutyric acid (GABA), present in very low concentration in vivo, regulates inhibitory neurotransmission in the brain and is involved in several processes outside the brain. Reliable quantification is required to determine its role in various physiological and pathological conditions. We present a novel approach to quantification of metabolites from MRS with convolutional neural networks --- MRSNet. MRSNet is trained to perform the multi-class regression problem of identifying relative metabolite concentrations from given input spectra, focusing specifically on the quantification of GABA, which is particularly difficult to resolve. Typically it can only be detected at all using special editing acquisition sequences such as MEGA-PRESS. A large range of network structures, data representations and automatic processing methods are investigated. Results are benchmarked using experimental datasets from test objects of known composition and compared to state-of-the-art quantification methods: LCModel, jMRUI (AQUES, QUEST), TARQUIN, VeSPA and Gannet. The results show that the overall accuracy and precision of metabolite quantification is improved using convolutional neural networks.

연구 동기 및 목표

• GABA와 같은 저농도 대사산물의 정확하고 정밀한 농도 측정 문제를 해결하기 위해.
• 수동적인 스펙트럼 처리와 전문가 캘리브레이션에 대한 의존도를 줄이기 위해 기계학습을 활용해 농도 측정을 자동화하기 위해.
• 교정된 피험체에서의 MRS 데이터에 대해 딥러닝 모델—특히 합성곱 신경망—의 성능을 평가하기 위해.
• MRS 농도 측정을 위한 최적의 네트워크 아키텍처, 데이터 표현 방식, 기저 집합을 규명하기 위해.
• 데이터 기반 접근 방식이 기존 기저 집합 피팅 방법보다 정확도와 내구성 면에서 뛰어나다는 것을 입증하기 위해.

제안 방법

• MRSNet는 주파수 도메인 MRS 스펙트럼에서 다중 클래스 회귀를 수행하기 위해 2차원 합성곱 신경망(CNN)을 사용하며, 상대 대사산물 농도를 예측한다.
• 네트워크는 주파수 축을 따라 스트라이드 컨볼루션과 1×N 필터를 사용하여 스펙트럼 특징을 효율적으로 캡처하는 방식으로 5,000개의 합성 및 실험 스펙트럼을 기반으로 훈련된다.
• 입력 데이터 표현 방식으로는 크기 스펙트럼, 절대 차이 스펙트럼(에디트 오프 대비 에디트 온), 다양한 기저 집합 조합이 포함된다.
• 모델은 MEGA-PRESS 시퀀스를 사용한 3T 스캐너에서 수집된 벤치마크 데이터셋을 엔드 투 엔드로 훈련한다. TR = 68 ms, TE = 2000 ms이다.
• 지상 진실 비교를 위해 알려진 대사산물 농도를 가진 실험적 피험체를 사용하여 성능을 평가한다.
• 다양한 데이터 유형(크기 대비 복소수), 기저 집합(LCModel, FID-A), 스펙트럼 표현 방식을 대비하여 네트워크를 테스트하여 최적의 구성 요소를 도출한다.

실험 결과

연구 질문

• RQ1 2D CNN가 LCModel, jMRUI, TARQUIN과 같은 전통적 MRS 농도 측정 방법보다 GABA 농도 측정의 정확도와 정밀도 면에서 뛰어나게 작용할 수 있는가?
• RQ2 크기, 절대 차이, 복소수와 같은 입력 데이터 표현 방식 중 어느 것이 MRSNet에서 가장 강력하고 정확한 예측을 제공하는가?
• RQ3 기저 집합 선택(LCModel 대비 FID-A)이 딥러닝 모델 성능에 어떤 영향을 미치는가?
• RQ4 특히 컨볼루션 레이어 설계와 필터 구성 측면에서 MRS 농도 측정에 최적의 네트워크 아키텍처는 무엇인가?
• RQ5 재훈련 없이도 훈련된 모델이 펄스 시퀀스 파arameter나 스캐너 플랫폼의 변화에 얼마나 잘 일반화되는가?

주요 결과

• 주파수 축을 따라 스트라이드 컨볼루션과 1×N 필터를 사용한 2D CNN가 테스트된 모든 아키텍처 중에서 가장 높은 성능을 보였다.
• 입력으로 절대 차이 스펙트럼(에디트 온 - 에디트 오프)을 사용할 경우 크기 스펙트럼만 사용하는 것보다 농도 측정 정확도가 향상되었다.
• 훈련 과정에서 FID-A 기저 집합이 일반적으로 다른 기저 집합보다 뛰어난 성능를 보였지만, 크레아티닌을 대사산물 목록에서 제외한 경우 LCModel이 더 뛰어난 결과를 보였다.
• MRSNet는 표준 CPU에서 스펙트럼당 평균 24 ± 2ms의 처리 시간을 기록하여 높은 추론 효율성을 입증했다.
• 5,000개 샘플로 훈련된 모델은 실험적 피험체 데이터셋에서 LCModel, jMRUI(AQUES, QUEST), TARQUIN, VeSPA, Gannet을 모두 뛰어넘는 최신 기술 수준의 정확도와 정밀도를 달성했다.
• PyGamma, FID-A, LCModel 등 다양한 시뮬레이터에서 GABA 모델 파aram터의 차이가 있었음에도 불구하고 네트워크 성능는 뛰어난 일반화 능력을 유지하여 시뮬레이션 변형에 대한 일반화 능력을 입증했다.