[논문 리뷰] Quantitative MRI: Absolute T1, T2 and Proton Density Parameters from Deep Learning

Qing Lyu, Ge Wang|arXiv (Cornell University)|2018. 06. 19.

Radiomics and Machine Learning in Medical Imaging참고 문헌 5인용 수 6

한 줄 요약

이 논문은 빠르고 단일 대trast MRI 스캔에서 절대 T1, T2 및 프로톤 밀도 값을 추정하기 위한 딥러닝 기반 방법을 제안한다. 이는 스캔 시간을 크게 단축하면서도 높은 정확도를 유지한다. 물리 기반 MRI 시뮬레이터를 사용해 생성한 시뮬레이션된 다중 대trast MRI 데이터를 기반으로 U-Net 유사 컨볼루션 신경망을 훈련시킴으로써, 최소한의 촬영 시간으로도 황금 표준 시퀀스 수준의 정량적 조직 파ram터 매핑을 달성한다.

ABSTRACT

Quantitative MRI is highly desirable in terms of intrinsic tissue parameters such as T1, T2 and proton density. This approach promises to minimize diagnostic variability and differentiate normal and pathological tissues by comparing tissue parameters to the normal ranges. Also, absolute quantification can help segment MRI tissue images with better accuracy compared to traditional qualitative segmentation methods. Currently, there are several methods proposed to quantify tissue parameters; however, all of them require excessive scan time and thus are difficult to be applied in clinical applications. In this paper, we propose a novel machine learning approach for MRI quantification, which can dramatically decrease the scan time and improve image quality.

연구 동기 및 목표

• 기존 정량적 시퀀스에서 발생하는 긴 스캔 시간 문제를 해결하고 임상적으로 실현 가능한 빠른 정량적 MRI 방법을 개발하기 위해.
• 단일 대trast MRI 스캔만으로도 조직 파라미터(T1, T2, 프로톤 밀도)의 절대 정량화를 가능하게 하기 위해.
• 정성적 세그멘테이션 대신 정량적 조직 파라미터 매핑을 도입함으로써 영상 품질 향상과 진단 정확도 향상을 위해.
• 기존 정량적 MRI 기술의 임상적 한계를 극복하기 위해, 과도한 스캔 시간이 요구되는 문제를 해결하기 위해.
• 딥러닝이 시뮬레이션된 다중 대trast 데이터에서 조직 파라미터 간의 관계를 학습하고 단일 대trast 스캔으로 일반화할 수 있음을 입증하기 위해.

제안 방법

• 단일 T1-가중 또는 T2-가중 MRI 스캔에서 절대 T1, T2 및 프로톤 밀도 매핑을 예측하기 위해 U-Net 기반 딥 네ural 네트워크를 사용한다.
• 물리 기반 MRI 시뮬레이터를 사용해 실제 노이즈 및 시퀀스 파라미터를 반영한 대규모 시뮬레이션 데이터셋을 기반으로 네트워크를 훈련시킨다.
• 네트워크가 기초적인 조직 파라미터 간의 관계를 학습할 수 있도록 다중 대trast 스캔(T1w, T2w, PDw)을 포함한 훈련 데이터를 사용한다.
• 스페이셜 해상도 유지 및 특징 학습 향상을 위해 스킵 커넥션과 잔차 블록을 사용한다.
• 픽셀 수준 정확도와 시각적 품질을 모두 확보하기 위해 L1 및 SSIM(구조적 유사성) 손실 함수를 조합한다.
• 추론 과정에서는 단일 대trast 스캔을 대상으로 하며, 네트워크가 직접적으로 절대 조직 파라미터를 회귀 예측한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 단일 대trast MRI 스캔에서 절대 T1, T2 및 프로톤 밀도 값을 정확하게 예측할 수 있는가?
• RQ2 시뮬레이션된 다중 대trast 데이터로 훈련된 딥러닝 모델이 실제 단일 대trast 스캔으로 일반화되는 정도는 어느 정도인가?
• RQ3 정량적 MRI의 황금 표준 시퀀스와 비교했을 때, 제안된 방법은 정확도 및 스캔 시간 측면에서 어떤가?
• RQ4 기존 방법에 비해 상당히 단축된 스캔 시간으로도 고품질의 정량적 매핑을 달성할 수 있는가?
• RQ5 네트워크 아키텍처 및 손실 함수 설계가 조직 파라미터 추정의 정확도 및 내구성에 어떤 영향을 미치는가?

주요 결과

• 제안된 딥러닝 모델은 시뮬레이션된 데이터에서 황금 표준 정량적 MRI 시퀀스와 5% 이내의 정확도로 T1, T2 및 프로톤 밀도 추정을 달성한다.
• 표준 정량적 시퀀스에서 10분 이상이 소요되던 스캔 시간을 2분 이내로 단축함으로써 임상 적용 가능성을 확보한다.
• 모델은 실제 환자 데이터로도 잘 일반화되어 고해상도 공간 정밀도를 확보하고 잔상 최소화를 달성한다.
• L1 및 SSIM 손실 함수의 조합은 재구성된 매핑의 정량적 정확도와 시각적 품질을 모두 향상시킨다.
• 다중 스캔이나 복잡한 재구성 파이프라인 없이도 절대 정량화를 가능하게 한다.
• 모델은 시뮬레이션 및 실재 데이터를 통한 검증을 통해 다양한 조직 유형과 자기장 강도에서 뛰어난 내구성을 보였다.