[논문 리뷰] Quantitative Susceptibility Inversion Through Parcellated Multiresolution Neural Networks and K-Space Substitution

Juan Liu, Andrew S. Nencka외 4명|arXiv (Cornell University)|2019. 03. 08.

Advanced MRI Techniques and Applications참고 문헌 42인용 수 6

한 줄 요약

이 논문은 병변 분할 다중해상도 인코더-디코더 네트워크와 k-space 대체 기법을 사용한 딥러닝 기반 QSM 재구성 방법인 ASPEN을 제안한다. 이는 영상 품질 향상과 속도 향상을 위해 설계되었으며, 황금 표준 및 대규모 코hort 데이터셋에서 최신 기술과 비교해 유사한 정량적 정확도를 달성하면서도 스트레일링 아티팩트를 감소시키고 거의 실시간으로 영상 재구성을 가능하게 한다.

ABSTRACT

Purpose: Quantitative Susceptibility Mapping (QSM) reconstruction is a challenging inverse problem driven by poor conditioning of the field to susceptibility transformation. State-of-art QSM reconstruction methods either suffer from image artifacts or long computation times, which limits QSM clinical translation efforts. To overcome these limitations, a deep-learning-based approach is proposed and demonstrated. Methods: An encoder-decoder neural network was trained to infer susceptibility maps on volume parcellated regions. The training data consisted of fabricated susceptibility distributions modeled to mimic the spatial frequency patterns of in-vivo brain susceptibility distributions. Inferred volume parcels were recombined to form composite QSM. This approach is denoted as ASPEN, standing for Approximated Susceptibility through Parcellated Encoder-decoder Networks. ASPEN performance was evaluated relative to several well-established approaches on a gold-standard challenge dataset and on cohort of 200 study subjects. Results: ASPEN provided similar levels of quantitative accuracy compared to the evaluated established approaches on the gold standard ISMRM Challenge dataset, but qualitatively showed marked reductions in streaking artifacts and map blurring. On the large-cohort dataset, ASPEN achieved the highest score compared with other methods in a multi-rater evaluation of streaking artifacts and map resolution. Conclusion: The proposed ASPEN approach can robustly infer susceptibility maps in near real-time on routine computational hardware. This preliminary study establishes ASPEN's parity with existing approaches for quantitative accuracy on a well-curated gold standard dataset and further demonstrates its robustness to streaking artifacts across a large cohort of subjects.

연구 동기 및 목표

• 임상 응용에서 스트레일링 아티팩트와 블러링을 유발하는 QSM 역전파 문제의 불안정성 문제를 해결한다.
• 해상도를 감소시키거나 수동 조정이 필요한 전통적인 정규화 및 임계값 설정 방법의 한계를 극복한다.
• 황금 표준 COSMOS 또는 STI 데이터에 의존하지 않고 다양한 해상도와 임상 시나리오에 일반화되는 딥러닝 프레임워크를 개발한다.
• 표준 하드웨어에서 거의 실시간 QSM 재구성을 가능하게 하여 임상 적용을 지원한다.
• 고자기율 영역(예: 출혈)과 경계 효과에서 발생하는 아티팩트를 줄이기 위해 강력한 신경망 훈련 및 k-space 대체 기법을 활용한다.

제안 방법

• 공간 조화 분석를 통해 생성한 합성 자화율 지도를 기반으로 인코더-디코더 신경망을 훈련시켜 체내 뇌 자화율 주파수 패턴을 모방한다.
• 뇌를 공간적으로 분리된 영역으로 나누어 다중해상도 추론이 가능한 겹치는 패치(192×192×64 및 128×128×128)로 처리한다.
• 예측된 필드의 k-space를 측정된 k-space 데이터로 대체함으로써 정밀도를 향상시키며 복잡한 세분화가 필요하지 않다.
• TKD 임계값 0.2와 일치하는 직접 필터링 없는 k-space 대체를 적용하여 대체 영역 크기나 방법에 대한 의존도를 감소시킨다.
• 겹치는 영역 평균을 사용해 병변 분할 영역에서 추론된 자화율 지도를 복합 QSM 지도로 재조합한다.
• 디폴트 커널 기반의 정방향 모델을 사용해 데이터 일致성과 계산 효율성을 확보하며 네트워크를 훈련시킨다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 QSM 방법이 기존 방법과 유사한 정량적 정확도를 달성하면서도 스트레일링 아티팩트를 감소시킬 수 있는가?
• RQ2 전체 부피 네트워크와 비교해 병변 분할 다중해상도 추론이 QSM 재구성에서 강건성과 해상도 향상에 어떻게 기여하는가?
• RQ3 복잡한 세분화나 필터링 없이 k-space 대체가 QSM 지도 품질 향상에 어느 정도 기여하는가?
• RQ4 모의 데이터로 훈련된 네트워크가 다양한 환자와 촬영 프로토콜에 걸쳐 실제 임상 데이터로 일반화될 수 있는가?
• RQ5 제안된 방법이 대규모 데이터셋에서 기존 딥러닝 및 반복적 QSM 기법보다 정량적 정확도와 정성적 아티팩트 감소 측면에서 뛰어나게 성능을 발휘하는가?

주요 결과

• ASPEN은 ISMRM QSM 챌린지 황금 표준 데이터셋에서 기존 방법과 유사한 정량적 정확도를 달성했으며, 전반적 또는 局부 지표에서 유의미한 향상이 없었다.
• 200명의 코hort에서 ASPEN은 다른 방법들과 비교해 스트레일링 아티팩트 감소와 해상도 향상에 대해 다수 평가자 점수에서 가장 높은 점수를 기록했다.
• 일반적인 컴퓨팅 하드웨어에서 초 단위 내로 자화율 지도를 생성하여 거의 실시간 임상 적용이 가능했다.
• ASPEN은 출혈과 같은 고자기율 영역에 대해 강건했으며, 수동 조정 없이도 영상 품질을 유지했다.
• 직접 필터링 없는 대체 방식을 사용함에도 불구하고 k-space 대체 프로토콜은 대체 영역 크기나 방법에 대해 매우 민감하지 않게 효과를 보였다.
• 챌린지 데이터셋에서 강력한 정량적 성능를 보였음에도 불구하고, CFL2와 같은 방법은 정성적 평가에서 최악의 평가를 받았으며, 정량적 지표와 임상 유용성 사이의 괴리를 드러냈다.