[논문 리뷰] Nonlinear Dipole Inversion (NDI) enables Quantitative Susceptibility Mapping (QSM) without parameter tuning

Daniel Polak, Itthi Chatnuntawech외 7명|arXiv (Cornell University)|2019. 09. 30.

Advanced MRI Techniques and Applications참고 문헌 53인용 수 5

한 줄 요약

이 논문은 양성자 수축도 맵핑(QSM)을 위한 물리 기반 재구성 방법인 비선형 듀폴 인버전(NDI)을 소개한다. 이 방법은 크기 데이터를 사전 정보로 포함하는 비선형 전진 모델을 사용함으로써 정규화 파rameter 조정이 필요 없도록 한다. NDI를 변분 네트워크(VaNDI)와 결합함으로써, 단 두 개의 머리 방향조차도, 0.5 mm 등방성 해상도에서 매우 고속으로 촬영된 7T 데이터에서 최신 기술 수준의 영상 품질을 달성한다.

ABSTRACT

We propose Nonlinear Dipole Inversion (NDI) for high-quality Quantitative Susceptibility Mapping (QSM) without regularization tuning, while matching the image quality of state-of-the-art reconstruction techniques. In addition to avoiding over-smoothing that these techniques often suffer from, we also obviate the need for parameter selection. NDI is flexible enough to allow for reconstruction from an arbitrary number of head orientations, and outperforms COSMOS even when using as few as 1-direction data. This is made possible by a nonlinear forward-model that uses the magnitude as an effective prior, for which we derived a simple gradient descent update rule. We synergistically combine this physics-model with a Variational Network (VN) to leverage the power of deep learning in the VaNDI algorithm. This technique adopts the simple gradient descent rule from NDI and learns the network parameters during training, hence requires no additional parameter tuning. Further, we evaluate NDI at 7T using highly accelerated Wave-CAIPI acquisitions at 0.5 mm isotropic resolution and demonstrate high-quality QSM from as few as 2-direction data.

연구 동기 및 목표

• QSM 재구성에서 정규화 파rameter 조정이 필요 없는 것을 제거함으로써 임상 및 연구 적용 분야에서의 주요 장애 요소를 해결한다.
• 기존 정규화 기법에서 흔히 발생하는 과도한 부드러움을 방지함으로써 영상 품질을 향상시킨다.
• 물리 기반 비선형 모델을 활용해 최소한의 데이터, 예를 들어 한 개 또는 두 개의 머리 방향조차도 고품질 QSM 재구성을 가능하게 한다.
• 딥러닝을 물리 모델링과 통합하여 수동 조정 없이 최적의 파rameter를 학습할 수 있는 기계적 구조를 갖춘 기계적 프레임워크를 개발한다.
• 0.5 mm 등방성 해상도에서 매우 고속으로 촬영된 7T Wave-CAIPI 데이터에 대해 뛰어난 성능을 보여준다.

제안 방법

• 자기공명 신호의 크기를 효과적인 사전 정보로 사용하는 비선형 전진 모델을 제안하여 자화율 추정의 정확도를 향상시킨다.
• 비선형 듀폴 인버전을 위한 단순한 경사 하강 업데이트 규칙을 유도하여 반복적 파rameter 조정 없이도 효율적인 최적화를 가능하게 한다.
• NDI의 물리 기반 특성을 유지하면서도 네트워크 파ram터를 학습할 수 있도록 변분 네트워크(VN)와 결합한 하이브리드 프레임워크인 VaNDI를 도입한다.
• 딥러닝 아키텍처의 핵심으로 NDI의 경사 하강 업데이트 규칙을 사용함으로써 물리적 일관성과 해석 가능성을 보장한다.
• 단일 및 이중 방향 촬영을 포함한 임의의 수의 머리 방향에서의 재구성을 지원한다.
• 기울기 기반의 가역적 공식화를 사용하여 물리적 제약 조건을 유지하면서도 엔드 투 엔드 학습이 가능하도록 한다.

실험 결과

연구 질문

• RQ1 크기 데이터를 사전 정보로 포함하는 비선형 전진 모델이 정규화 파ram터 조정 없이도 QSM 재구성 품질을 향상시킬 수 있는가?
• RQ2 NDI는 한 개 또는 두 개의 머리 방향에서의 QSM 재구성에서 어떻게 성능을 발휘하는가?
• RQ3 물리 기반 인버전과 딥러닝의 조합(VaNDI)이 COSMOS와 같은 최신 기술 수준의 방법보다 영상 품질과 내성 면에서 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 NDI는 매우 고속으로 촬영된 Wave-CAIPI 시퀀스를 사용해 7T에서 고해상도 QSM 재구성을 달성할 수 있는가? 정확도를 손상시키지 않고 말이다.
• RQ5 기존의 정규화 기반 접근 방식과 비교해 제안된 방법이 고정밀도를 유지하고 과도한 부드러움을 줄일 수 있는가?

주요 결과

• NDI는 정규화 파ram터 조정이 전혀 필요 없이 COSMOS와 같은 최신 기술 수준의 QSM 방법과 유사한 영상 품질을 달성한다.
• 물리 기반 비선형 모델 덕분에 기존 정규화 기법에서 흔히 발생하는 과도한 부드러움 아티팩트를 크게 줄였다.
• NDI의 딥러닝 변종인 VaNDI는 학습 과정에서 최적의 네트워크 파aram터를 자동으로 학습하며 추가적인 하이퍼파aram터 조정이 필요 없다.
• 단 두 개의 머리 방향조차도 COSMOS를 뛰어넘는 성능을 보이며, 낮은 방향 수 데이터에 대한 강건성을 입증했다.
• 0.5 mm 등방성 해상도에서 매우 고속으로 촬영된 Wave-CAIPI 데이터를 사용해 고품질의 QSM 재구성을 달성했으며, 임상 적용 가능성을 입증했다.
• 비선형 전진 모델에서 크기를 사전 정보로 사용함으로써 다양한 촬영 방식에서 재구성 정확도와 안정성이 향상되었다.